Efficient State Preparation for Quantum Machine Learning

기술 요약: 양자 기계 학습을 위한 효율적인 상태 준비

문제 정의
양자 기계 학습(QML) 프로토콜을 구현하는 데 있어 근본적인 병목 현상은 고전 데이터를 양자 프로세서에 효율적으로 인코딩하는 것입니다. 진폭 인코딩(Amplitude encoding)은 입력 벡터 $v$를 $\sum_i v_i |i\rangle$로 표현함으로써 큐비트 효율성 측면에서 지수적 이점을 제공하지만, 임의의 상태를 준비하기 위해 필요한 양자 회로는 일반적으로 $n$개의 큐비트에 대해 $O(4^n)$의 깊이로 스케일링됩니다. 이러한 높은 회로 깊이는 현재의 노이즈가 있는 중규모 양자(NISQ) 장치에서는 실행 불가능한 수준입니다. 변분 인코딩(Variational encoding)이나 유전 알고리즘(Genetic algorithms)과 같은 기존의 휴리스틱 접근 방식은 이러한 상태를 근사하려고 시도하지만, 최적의 회로 구성을 보장하지 못할 수 있는 최적화 휴리스틱에 의존합니다.

방법론
저자들은 행렬 곱 상태(Matrix Product State, MPS) 표현을 활용한 결정론적 상태 준비 방법을 제안합니다. 이 방법론은 크게 두 단계로 진행됩니다:

1. 고전 데이터로부터의 MPS 구축:
   입력된 고전 벡터는 특이값 분해(SVD)와 텐서 재형성(Tensor reshaping)을 사용하여 MPS 표현으로 변환됩니다. 크기가 $2^N$인 입력 벡터는 반복적으로 행렬로 재형성되고 SVD를 통해 분해됩니다. 이 과정은 결합 차원(Bond dimension) $\chi$를 가진 텐서 체인 $A^{(s)}$를 생성합니다. 결정적으로, 작은 특이값들을 버릴 수 있으므로, 확률적 휴리스틱에 의존하지 않고 압축 가능하며 메모리 효율적인 상태 표현을 생성할 수 있습니다.

2. 얽힘 제거(Disentanglement)를 통한 회로 합성:
   양자 회로를 생성하기 위해 저자들은 "얽힘 제거" 전략을 채택합니다. MPS로부터 시작하여, $k$개의 큐비트로 이루어진 하위 시스템의 축소 밀도 행렬(Reduced density matrix)을 계산합니다. 이 행렬의 고윳값 분해(Eigendecomposition)를 수행함으로써, 첫 번째 큐비트를 나머지 시스템으로부터 분리(Disentangle)하는 유니터리 연산자 $U$를 구성합니다. 이 과정은 전체 시스템에 걸쳐 반복적으로 수행됩니다.

• 근사(Approximation): 회로 깊이를 줄이기 위해, 완벽한 얽힘 제거가 이루어지기 전에 알고리즘을 종료할 수 있습니다. 더 작은 $k$(통상적으로 $k=2$)를 선택하고 반복 횟수를 제한함으로써, 이 방법은 근사적 인코딩을 생성합니다.
• 회로 최적화: 결과물인 유니터리들은 인접한 이웃 간의 2-큐비트 게이트(CNOT)와 단일 큐비트 회전으로 분해됩니다. 저자들은 총 레이어 깊이와의 트레이드오프를 감수하더라도, 전체 레이어 깊이를 최소화하기 위해 서로 떨어진 하위 시스템들을 병렬로 처리할 수 있음을 언급합니다.

주요 기여 및 결과
본 논문은 이 MPS 기반 접근 방식이 정확한 상태 준비 및 기타 휴리스틱 방법보다 상당한 이점을 제공함을 입증합니다:

• 회로 효율성: MPS 방법은 필요한 CNOT 게이트의 수를 획기적으로 줄입니다. MNIST 및 Fashion-MNIST(FMNIST) 데이터셋에 대해, 이 방법은 Qiskit의 정확한 상태 준비 알고리즘에 비해 훨씬 적은 게이트 수로 목표 충실도(Fidelity)를 달的是 달성합니다. 많은 경우, 목표 충실도에 도달하는 데 7회 미만의 반복만으로 충분합니다.
• 노이즈 및 근사에 대한 강건성: 저자들은 양자 변분 분류기(QVC)가 근사적 인코딩의 "손실적(Lossy)" 특성에 탄력적임을 보여줍니다. 시각적 아티팩트(블록 현상이나 줄무늬 등)를 유발하는 60%만큼 낮은 충실도의 상태로 훈련 및 테스트를 진행하더라도, 분류 정확도는 정확한 인코딩을 통해 얻은 결과보다 아주 미미하게 낮아질 뿐입니다.
• 적대적 강건성(Adversarial Robustness): 근사적이고 노이즈가 섞인 입력으로 훈련된 QVC가 고전적 적대 공격에 대해 향상된 강건성을 보인다는 점은 중요한 발견입니다. 고전적 합성곱 신경망(ConvNet)이 투영 경사 하강법(PGD) 공격 하에서 심각한 정확도 저하를 겪는 반면, 근사적 입력으로 훈련된 QVC는 더 높은 정확도를 유지합니다. 저자들은 이를 근사적 인코딩의 내재된 노이즈가 적대적 섭동을 "씻어내는(Washing out)" 효과 때문이라고 설명합니다.
• 실험적 검증: 저자들은 초전도 양자 장치(IBM Algeirs)를 통해 이러한 주장을 검증했습니다. 5개 큐비트를 사용하는 토이 "Shapes" 데이터셋을 사용하여, MPS 지원 방식은 $95\% \pm 2.3$의 테스트 정확도를 달성하였으며, 이는 정확한 상태 준비 방식($45.8\% \pm 6.7$)을 크게 상회하는 성능입니다. MPS 방법은 하드웨어 상에서도 적대적 섭동에 대한 강건성을 유지했으나, 정확도는 약간 감소했습니다.

의의 및 주장
본 논문은 양자 기계 학습 알고리즘의 내재된 노이즈 탄력성이 버그가 아닌 기능으로서 활용될 수 있다고 상정합니다. MPS를 사용하여 저층(Low-depth)의 근사적 인코딩을 구축함으로써, 실무자들은 분류 성능을 희생하지 않고도 과도한 비용이 드는 정확한 상태 준비 과정을 우회할 수 있습니다.

저자들은 이 접근 방식이 두 가지 이점을 제공한다고 주장합니다:

1. 효율성: 회로 깊이와 게이트 수를 줄임으로써 현재의 하드웨어에서 QML 프로토콜 실행을 가능하게 합니다.
2. 보안성: 이 방식은 의도치 않게 고전적 적대 공격에 대한 보안을 강화하며, 이는 공격자가 데이터의 정확한 고전적 표현에 의존하는 보안 민감 애플리케이션에서 QML이 우수한 강건성을 제공할 수 있는 틈새 영역이 있음을 시사합니다.

논문은 적대자가 양자 장치에 접근하거나 인코딩 알고리즘에 대한 사전 지식을 가지고 있을 경우에도 이러한 이점이 지속되는지에 대한 미해결 과제를 남기며 마무리되지만, 현재의 QML 응용 분야에서 근사적 MPS 기반 인코딩의 생존 가능성을 확고히 입증하였습니다.