Pulsed learning for quantum data re-uploading models

기술 요약: 양자 데이터 재업로딩 모델을 위한 펄스 기반 학습

문제 정의
노이즈가 있는 중간 규모 양자(NISQ) 하드웨어에서의 양자 기계 학습(QML)은 주로 변분 양자 회로(VQC)의 한계로 인해 상당한 어려움에 직면해 있습니다. 데이터 재업로딩은 얕은 회로를 통해 모델의 표현력을 높이는 유망한 전략으로 부상했지만, 표준 게이트 기반 구현은 학습 능력 문제, 노이즈 민감도, 그리고 과적합 위험을 겪습니다. 또한, 최근의 분석들은 특정 게이트 기반 아키텍처가 그 구조를 면밀히 조사했을 때 고전적 방법론에 비해 내재적인 이점이 없음을 시사합니다. 이론적인 펄스 기반의 이점과 확장 가능하고 하드웨어에 적합한 QML 구현 사이에는 중요한 간극이 존재하는데, 이는 현재의 많은 접근 방식이 고정된 게이트 템플릿을 단순히 재매개변수화할 뿐, 네이티브 제어 전략을 설계하지 않기 때문입니다.

방법론
저자들은 데이터 재업로딩 패러다임을 이산적인 양자 게이트의 추상화를 거치지 않고 직접 제어 펄스 수준으로 변환하는 "펄스 네이티브(pulse-native)" 프레임워크를 제안합니다.

• 하드웨어 모델: 본 연구는 초전도 트랜스몬 큐비트와 하드웨어의 네이티브 언어인 마이크로파 펄스에 초점을 맞춥니다. 시스템은 제어 파라미터로 펄스 진폭($\Omega$), 위상($\gamma$), 주파수 디튜닝($\Delta\omega$)을 포함하는 구동된 유효 해밀토니안(driven effective Hamiltonian)을 사용하여 모델링됩니다.
• 펄스 기반 안사츠(Ansatz):
  • 단일 큐비트 연산: 연산을 $R_X, R_Y, R_Z$ 게이트로 분해하는 대신, 모델은 $XY$-평면 회전을 위한 공명 마이크로파 펄스와$Z$-회전을 위한 "가상 Z(Virtual Z)" 게이트를 사용합니다. 단일 큐비트 블록의 학습 가능한 파라미터는 펄스 진폭, 위상, 그리고 VZ 회전의 각도입니다.
  • 2-큐비트 상호작용: 복잡한 얽힘 게이트(예: CNOT)를 여러 펄스로 컴파일하는 대신, 저자들은 크로스 레조넌스(Cross-Resonance, CR) 게이트에서 영감을 얻어 다른 큐비트의 주파수에서 적용되는 단일 마이크로파 펄스를 사용합니다. 이 상호작용는 펄스의 진폭, 위상, 주파수 디튜닝에 의해 매개변수화되어 모델이 얽힘 강도를 동적으로 조절할 수 있게 합니다.
  • 아키텍처: 모델은 입력 데이터가 반복적으로 임베딩되는 데이터 재업로딩 양자 신경망(QNN)을 구현합니다. 변분 레이어는 이러한 매개변수화된 펄스 시퀀스로 대체됩니다.
• 학습 전략: 본 연구는 "웜 스타트(warm-start)" 초기화 전략을 활용합니다. 먼저 단일 큐비트 펄스 모델을 학습시킨 후, 최적화된 파라미터를 2-큐비트 모델의 단일 큐비트 블록 초기화에 사용하며, 이때 얽힘 파라미터는 0에서 시작합니다. 이는 비용 함수가 최적의 단일 큐비트 값에서 시작되도록 보장합니다.
• 시뮬레이션 설정: 모델은 IBM Brisbane 장치에서 추출한 현실적인 노이즈 프로파일을 사용하여 시뮬레이션된 초전도 트랜스몬 프로세서에서 벤치마킹되었습니다. 계산 비용 문제로 인해 시뮬레이션은 2-큐비트 시스템으로 제한되었습니다. 네 가지 이진 분류 작업(MNIST: 숫자 0 대 8, Iris: versicolor 대 virginica, 그리고 두 개의 합성 데이터셋: Corners 및 Helix)이 사용되었습니다.

주요 기여

1. 일반적 방법론: 본 논문은 임의의 게이트 기반 변분 QML 아키텍처를 펄스 수준 구현으로 변환하는 프레임워크를 확립하며, 물리적 펄스 속성을 고정된 게이트 템플릿을 재매개변수화하는 것이 아니라 직접적인 학습 가능 파라미터로 취급합니다.
2. 하드웨어 정렬: 제어 펄스 수준에서 직접 작동함으로써, 이 접근 방식은 컴파일 오버헤드를 피하고 주파수 디튜닝 및 비조화성(anharmonicity)을 포함한 트랜스몬 큐비트의 네이티브 역학을 활용합니다.
3. 경험적 벤치마킹: 본 연구는 현실적인 노이즈 조건 하에서 펄스 기반 데이터 재업로딩 모델과 게이트 기반 모델을 엄격하게 비교하여, 펄스 네이티브 아키텍처가 게이트 기반 대응 모델보다 우수한 성능을 보일 수 있음을 입증합니다.

결과
수치 시뮬레이션은 네 가지 분류 작업 전반에 걸쳐 세 가지 일관된 결과를 도출했습니다:

• 개선된 일반화: 펄스 기반 모델은 게이트 기반 모델에 비해 더 적은 재업로딩 레이어를 사용하여 대등하거나 더 우수한 테스트 정확도를 달elle 달성했습니다. 결정적으로, 펄스 모델은 과적합의 발생 시점이 지연되었습니다. 게이트 기반 모델은 높은 깊이(특히 Helix 및 MNIST 데이터셋)에서 훈련-테스트 간 격차가 벌어진 반면, 펄스 모델은 훈련 및 테스트 성능 간의 밀접한 대응 관계를 유지했습니다.
• 향상된 노이즈 탄력성: 증가하는 데폴라라이징(depolarizing) 노이즈 하에서, 펄스 기반 모델은 게이트 기반 모델이 무작위 성능에 가까운 수준으로 저하되는 노이즈 강도에서도 유용한 분류 정확도를 유지했습니다. 이러한 이점은 훈련 및 테스트 곡 모두에서 관찰되었으며, 이는 단순한 규제 효과가 아닌 구조적 견고함에 의한 것임을 시사합니다.
• 일관성: 이러한 이점은 서로 다른 기하학적 결정 경계를 가진 다양한 데이터셋에서 일관되게 관찰되었으며, 이는 해당 결과가 특정 데이터셋의 산물이 아님을 나타냅니다.

의의 및 주장
저자들은 펄스 네이티브 아키텍처를 현재의 NISQ 장치에서 실용적인 QML을 향한 실행 가능하고 하드웨어에 정렬된 경로로 제시합니다. 이들은 다중 게이트 시퀀스를 더 짧은 펄스 스케줄로 압축하고 장치의 네이티브 역학 내에서 직접 최적화함으로써, 이 접근 방식이 표현력과 견고성 사이의 더 유리한 트레이드오프를 제공한다고 주장합니다. 본 논문은 이 방법론을 통해 제한된 결맞음 시간(coherence time)을 더 효율적으로 사용하고 캘리브레이션 오버헤드를 줄이는 문제 특화형 안사츠를 설계할 수 있다고 주장합니다.

저자들은 시뮬레이션이 계산 제약으로 인해 2-큐비트 시스템으로 제한되었고 인코딩 단계는 여전히 게이트 기반이라는 점을 인정하며 연구 범위에 대해 겸허한 태도를 유지합니다. 이들은 향후 연구가 더 큰 시스템으로의 확장, 잠재적으로 험난한 손실 지형을 가진 펄스 매개변수 모델을 위한 특화된 옵티마이저 개발, 그리고 데이터 인코딩 단계로의 펄스 수준 적응 확장에 집중해야 한다고 제언합니다.