Random Quantum Circuits as Seeds for Continuous Generative Models

본 논문은 고전적 시뮬레이션에 저항하고 높은 분산을 유지하는 강건한 무작위 양자 회로를 연속 생성 모델의 시드로 활용하여 NISQ 장치에서 확장 가능한 양자-고전 하이브리드 시스템을 가능하게 하는 방안을 제안한다.

핵심

컴퓨터가 아름답고 사실적인 고양이 그림을 그리도록 가르치려 한다고 상상해 보세요. 당신은 매우 강력하지만 다소 서툴러서 색을 섞고 픽셀을 배열하는 데는 탁월한 고전 컴퓨터라는 조수 하나를 가지고 있습니다. 하지만 이 조수가 시작하려면 진정한 예측 불가능한 창의성의 불꽃이 필요합니다. 단순히 무작위 정적 잡음만 주면, 만들어지는 그림들은 모두 똑같아 보이거나, 같은 고양이를 반복해서 그리는 무한 루프에 빠지게 됩니다. 이를 "모드 붕괴 (mode collapse)"라고 부릅니다.

이 논문은 양자 컴퓨터를 이용해 그 조수에게 더 나은 불꽃을 제공하는 새로운 방법을 제시합니다. 양자 컴퓨터에 전체 그림 그리기 작업 (현재 기계에는 너무 어렵습니다) 을 맡기는 대신, 저자들은 이를 "무작위 시드 생성기"로 활용하는 것을 제안합니다.

간단한 비유를 들어 그들의 아이디어를 살펴보면 다음과 같습니다:

1. 문제: "평탄한" 지형

양자 머신러닝 세계에서는 연구자들이 종종 양자 컴퓨터를 더 나은 결과를 얻기 위해 노브 (매개변수) 를 조정하며 훈련시킵니다. 하지만 "황무지 평원 (Barren Plateau)"이라는 큰 문제가 있습니다.

거대한 평탄한 사막에서 하이킹을 한다고 상상해 보세요. 어느 방향으로 걸어가든 땅은 완벽하게 평평합니다. 경사가 너무 미세해 보이지 않기 때문에 올라가고 있는지 내려가고 있는지 알 수 없습니다. 양자 컴퓨터에서 이는 컴퓨터가 어떻게 개선해야 하는지 알려주는 "신호"가 너무 약해 잡음 속에 사라져 버린다는 것을 의미합니다. 컴퓨터는 아무것도 배울 수 없습니다.

2. 해결책: 특별한 무작위 시드

저자들은 무작위 시드 역할을 하는 특정 유형의 양자 회로를 제안합니다. 이 회로를 마법 주사위 굴리기라고 생각하세요.

• 작동 방식: 간단한 고전적 무작위 숫자 (주사위 굴리기와 같은) 를 입력하면, 양자 회로가 이 숫자를 복잡하게 비틀고 구부려 새로운 복잡한 데이터 패턴으로 변환합니다.
• 목표: 이 패턴은 그런 다음 더 큰 고전 컴퓨터 프로그램 (신경망과 같은) 에 입력되어 다양한 데이터 (다른 고양이 그림들 등) 를 생성하는 데 사용됩니다.

3. 왜 이 특정 회로인가?

저자들은 이 "주사위 굴리기"가 작동하도록 두 가지 매우 구체적인 규칙을 설계했습니다:

• 규칙 1: 지루하지 않게 하라 (모드 붕괴 방지).
  양자 회로가 너무 단순하면 모든 주사위 굴리기를 정확히 같은 출력으로 변환할 수 있습니다. 항상 6 이 나오는 고장 난 주사위와 같습니다. 컴퓨터가 매번 같은 "시드"를 받으면 한 가지 종류의 고양이만 만들어냅니다. 저자들은 수학적으로 증명했습니다. 그들의 회로는 충분히 복잡하여 서로 다른 주사위 굴리기마다 고유하고 구별 가능한 패턴을 만들어낸다는 것입니다. 이는 무작위성의 "맛"을 살아 있게 유지합니다.

• 규칙 2: 너무 쉽게 복제하지 않게 하라 (고전 시뮬레이션 방지).
  회로가 너무 단순하면 양자 기계가 필요 없이 일반 컴퓨터가 결과를 속여낼 수 있습니다. 저자들은 회로를 "시뮬레이션하기 어렵게" 설계했습니다. 그들은 현재 고전 슈퍼컴퓨터가 결과를 빠르게 예측할 수 없게 만드는 연결의 특정 배치 (무작위 도로망과 같은) 를 사용했습니다. 이는 양자 키로만 열 수 있는 자물쇠와 같습니다.

4. "작은 각도" 트릭

회로가 그 "평탄한 사막 (황무지 평원)" 문제에 빠지지 않도록 하기 위해, 저자들은 "작은 각도 초기화 (small-angle initialization)"라는 트릭을 사용합니다.

• 비유: 연필을 끝으로 세우려고 한다고 상상해 보세요. 너무 세게 밀면 (큰 각도) 즉시 넘어집니다. 아주 살짝만 밀면 (작은 각도) 여전히 예측 가능하고 제어 가능한 방식으로 흔들립니다.
• 회로 내의 "밀기" (회전) 를 작고 일정하게 유지함으로써, 신호가 잡음 속에 사라지지 않고 시스템의 고전 부분이 학습할 수 있을 만큼 충분히 강하게 유지되도록 보장합니다.

5. 결과: 하이브리드 팀

이 논문은 이 설정이 완벽한 팀을 만든다고 주장합니다:

1. 양자 부분: 고전 컴퓨터가 혼자 만들어내기 어려운 다양성의 "불꽃"을 제공하는 고품질이고 위조하기 어려운 무작위 숫자 생성기로 작용합니다.
2. 고전 부분: 그 불꽃을 받아 실제 최종 데이터 (이미지, 소리 등) 를 생성하는 데 막대한 힘을 사용합니다.

그들이 테스트한 것

저자들은 단순히 추측한 것이 아니라 아이디어가 작동함을 증명하기 위해 시뮬레이션을 실행했습니다:

• 그들은 연결이 너무 혼란스럽고 복잡하기 때문에 양자 시스템을 시뮬레이션하는 고전 컴퓨터의 일반적인 방법인 "텐서 네트워크 (Tensor Networks)"가 그들의 회로 출력을 예측하지 못한다는 것을 보였습니다.
• 그들은 "작은 각도"가 추적하기 어려운 방대한 수의 항을 만들어 시뮬레이션이 너무 오래 걸리게 하기 때문에 또 다른 시뮬레이션 방법인 "파울리 전파 (Pauli Propagation)"도 어려움을 겪는다는 것을 보였습니다.

결론

이 논문은 아직 걸작을 그리는 로봇을 만들었다고 주장하지 않습니다. 대신, 현재의 불완전한 양자 컴퓨터 (NISQ 장치) 를 사용하여 고전 컴퓨터가 더 좋고 더 다양한 데이터를 생성하도록 돕는 방법의 "청사진"을 제시합니다. 위조하기 어렵고 평탄한 곳에 갇히지 않는 "무작위 시드 생성기"로 양자 컴퓨터를 엄격하게 사용함으로써, 우리는 오늘날 더 나은 하이브리드 AI 모델을 구축할 수 있다고 그들은 믿습니다.

기술 요약

기술 요약: 연속 생성 모델의 시드(seed)로서의 무작위 양자 회로

문제 제기
본 논문은 잡음 중간 규모 양자 (NISQ) 시대에 대규모 생성 모델에 양자 컴퓨팅을 통합하는 과제를 다룹니다. 현재의 변분 양자 알고리즘 (VQA) 은 종종 기울기가 지수적으로 소실되어 최적화가 불가능해지는 '메마른 평야 (barren plateaus)'에 시달립니다. 또한, 제안된 많은 양자 머신러닝 모델은 고전적으로 효율적으로 시뮬레이션될 수 있어 잠재적인 양자 우위를 무효화합니다. 생성 학습에서 특정 문제는 '모드 붕괴 (mode collapse)'로, 입력 무작위성이 처리 과정에서 손실되거나 집중되어 모델이 다양한 데이터 샘플을 생성하지 못하는 현상입니다. 저자들은 더 큰 고전 생성 모델의 시드 역할을 하는, 고전적으로 시뮬레이션하기 어렵고 모드 붕괴를 겪지 않는 양자 상태로의 고전적 무작위 시드를 변환하는 양자 특징 맵과 같은 '최소한의' 양자 기여를 추구합니다.

방법론
저자들은 $\gamma$가 고전적 무작위성이고 $\rho(\gamma)$가 결과 양자 상태인 특징 변환 $\gamma \to \rho(\gamma)$로 작용하는 특정 무작위 양자 회로 계열을 제안합니다.

• 회로 구조: 생성 회로는 $L = O(\log n)$개의 레이어로 구성됩니다. 각 레이어는 일정한 분산 $\tau^2$을 가진 가우스 분포에서 독립적으로 추출된 각도 $\gamma_{l,j}$를 갖는 단일 큐비트 $R_X$ 회전과 그 다음에 적용되는 얽힘 $CZ$게이트로 구성됩니다.$CZ$게이트는$p = \log(n)/n$인 Erdős–Rényi 그래프 $G(n, p)$에 따라 배치됩니다. 마지막 단계로 $R_X$ 및 $R_Y$ 회전이 적용됩니다.
• 학습 가능한 확장: 모델은 선택적으로 학습 가능한 레이어 (얕은 하드웨어 효율적 안사츠, HEA) 와 국소 관측량을 포함합니다. 저자들은 생성 회로로부터의 입력 상태가 '부분 부피 법칙 (subvolume law)'을 만족한다면 학습 가능한 레이어가 메마른 평야를 피할 것이라고 주장합니다.
• 고전적 시뮬레이션 저항성: 이 설계는 두 가지 주요 고전적 시뮬레이션 기법을 표적으로 합니다:
  1. 파울리 전파 (Pauli Propagation): 소멸하는 각도 대신 일정한 분산을 가진 각도를 사용함으로써, 회로는 하이젠베르크 진화에서의 항들이 효율적으로 잘리기에 충분히 빠르게 감쇠하지 않도록 보장합니다. 저자들은 다항식 정밀도를 유지하려면 초다항식 (superpolynomial) 수의 항들을 추적해야 한다고 주장합니다.
  2. 텐서 네트워크 축소 (Tensor Network Contraction): 무작위 $CZ$ 게이트 배치는 임의의 국소 관측량의 '빛 원뿔 (light cone)'이 높은 확률로 거시적인 수의 큐비트를 덮고, 결과적인 연결성 그래프의 트리 너비가 $\Theta(n)$이 되도록 선택됩니다. 이는 텐서 네트워크 (예: 행렬 곱 상태) 를 통한 효율적인 축소를 방지합니다.

주요 기여

1. 모드 붕괴 회피: 저자들은 국소 관측량의 경우 출력 분산의 분산이 역다항식적으로 크다는 것 ($\text{Var} \geq 1/\text{poly}(n)$) 을 증명합니다. 이는 서로 다른 무작위 시드에 대해 연속 출력 특징이 구별 가능하도록 보장하여 모델이 단일 출력 모드로 붕괴하는 것을 방지합니다.
2. 메마른 평야와의 연관성: 본 논문은 모드 붕괴를 피하는 것 (최대 혼합 상태로부터의 국소 구별성을 보장하는 것) 이 생성된 상태가 '부분 부피 법칙'을 만족함을 의미함을 확립합니다. 이 조건은 시드 회로 자체에 학습 가능한 매개변수가 없더라도 후속 얕은 학습 가능 레이어 (HEA) 에서 메마른 평야를 방지하기에 충분합니다.
3. 고전적 시뮬레이션에 대한 강건성: 본 논문은 제안된 회로 계열이 파울리 전파와 텐서 네트워크 축소 모두를 저항한다는 이론적 논거와 수치적 증거를 제공합니다. 구체적으로, 일정한 분산 각도와 특정 얽힘 위상은 고전적 시뮬레이터가 다항식 정밀도를 달성하기 위해 초다항식 실행 시간을 치러야 하도록 강제합니다.

결과

• 이론적 증명: 저자들은 $k$-국소 관측량의 분산이 $1/\text{poly}(n)$으로 스케일함을 증명하는 증명 (부록 B) 을 제공하여 모드 붕괴의 부재를 확인합니다. 또한 이 분산이 학습 가능한 레이어가 메마른 평야를 피하기 위해 필요한 상태가 부분 부피 법칙을 만족함을 의미함을 보여줍니다 (부록 C).
• 수치 시뮬레이션:
  • 파울리 전파: 다양한 절단 전략 (작은 계수, 파울리 가중치, 사인, 주파수 절단) 을 사용한 시뮬레이션은 관측량 크기에 대한 오차가 임계값에서 안정화됨을 보여줍니다. 이 임계값 이상의 정밀도를 높이는 것은 큐비트 수에 따라 초다항식으로 스케일하는 실행 시간을 요구합니다.
  • 텐서 네트워크: 유한한 결합 차원 (bond dimension) 을 가진 행렬 곱 상태 (MPS) 를 사용한 수치적 근사는 회로 크기가 증가함에 따라 오차가 커짐을 보여, 낮은 결합 차원 근사는 비효율적임을 나타냅니다. 생성된 그래프의 트리 너비는 $n$에 선형적으로 스케일하는 것으로 발견되어 정확한 축소의 어려움을 확인했습니다.

의의 및 주장
본 논문은 대규모 양자 - 고전 하이브리드 생성 모델을 NISQ 장치에 적합하게 만드는 경로를 제시한다고 주장합니다. 학습 불가능한 양자 회로를 '무작위 시드'로 사용함으로써, 저자들은 양자 레이어가 고전적으로 효율적으로 재현될 수 없는 편향을 제공한다고 주장합니다.

저자들은 다음과 같이 겸손하게 주장을 펼칩니다:

• 양자 레이어는 학습 가능한 매개변수가 없는 '문제 무관 (problem-agnostic)'적이지만, 레저버 컴퓨팅이나 양자 극단 학습 기계와 유사한 특징 변환으로 작용합니다.
• 관측량이 상태 설명을 given 고전적으로 평가될 수 있으므로, 학습 가능한 레이어에 대한 기여는 '양자 영감 (quantum-inspired)'으로 해석됩니다.
• 이 작업은 장치 잡음 문제를 해결하지 않으며, 이는 메마른 평야를 유발하거나 파울리 전파를 유효한 시뮬레이션 전략으로 만들 수 있습니다.
• 궁극적인 유용성은 이러한 특정 양자 편향이 유리한 데이터 세트를 찾는지에 달려 있으며, 이는 향후 연구의 과제로 남아 있습니다.

주요 의의는 단순한 고정 매개변수 무작위 회로가 동시에 모드 붕괴를 피하고, 하류 학습에서 메마른 평야를 방지하며, 효율적인 고전적 시뮬레이션을 저항하여 연속 생성 모델링에서 양자 시드로서 실현 가능한 후보가 될 수 있음을 입증하는 데 있습니다.