Distributed Quantum Gaussian Processes for Multi-Agent Systems

기술 요약: 다중 에이전트 시스템을 위한 분산 양자 가우시안 프로세스

문제 정의
가우시안 프로세스 (GPs) 는 자율 시스템에서 확률적 모델링과 불확실성 정량화를 위한 표준 도구입니다. 그러나 대규모 실세계 환경에서의 적용은 두 가지 주요 병목 현상으로 인해 방해받고 있습니다:

1. 확장성: $N$개의 샘플로 GP 를 학습시키는 데는 $O(N^3)$의 연산량과 $O(N^2)$의 메모리가 필요하여, 대규모 데이터를 처리하는 단일 에이전트에게는 실현 불가능합니다.
2. 표현력 한계: 데이터를 고차원 특징 공간으로 매핑하는 고전적 커널 함수는 고전 하드웨어의 수학적 제약으로 인해 표현력이 제한적입니다. 이들은 종종 비정상적 환경에 내재된 복잡하고 비선형적인 상관관계를 포착하지 못합니다.

분산 가우시안 프로세스 (DGPs) 는 데이터를 여러 에이전트 간에 분할함으로써 확장성 문제를 해결하지만, 고전적 커널의 제한된 표현력이라는 제약은 여전히 남아 있습니다. 반면, 양자 가우시안 프로세스 (QGPs) 는 양자 커널을 통해 데이터를 지수적으로 큰 힐베르트 공간에 임베딩함으로써 표현력 한계를 극복할 가능성을 제공합니다. 그러나 분산된 다중 에이전트 환경에서 QGPs 를 학습시키는 것은 독특한 과제를 제시합니다: 양자 회로의 하이퍼파라미터 (일반적으로 회전 각도) 는 비유클리드 리만 다양체 (특히 토러스) 에 존재하므로, 고전적 ADMM 과 같은 표준 유클리드 최적화 기법은 적용할 수 없습니다.

방법론
저자들은 양자 커널의 표현력과 분산 다중 에이전트 학습을 통합하는 분산 양자 가우시안 프로세스 (DQGP) 프레임워크를 제안합니다. 이 방법론의 핵심은 양자 파라미터의 비유클리드 특성을 처리하도록 설계된 새로운 최적화 알고리즘입니다.

1. 양자 인코딩 및 커널:

   • 고전 데이터는 Hubregtsen 인코딩 회로를 사용하여 양자 상태로 인코딩됩니다. 이 회로는 중첩을 위해 하다마드 게이트를, 얽힘을 위해 조건부 회전 게이트를 활용합니다.
   • 이 프레임워크는 **투영 양자 커널 (PQK)**을 사용합니다. 지수적인 상태 중첩 계산이 필요한 충실도 (fidelity) 커널과 달리, PQK 는 관측 가능량 측정 (예: Pauli-Z, Pauli-X, Pauli-Y) 을 통해 양자 상태를 고전적 특징 벡터로 매핑하고, 이러한 투영에 고전적 외부 커널 (예: Matérn) 을 적용합니다. 이는 계산 비용을 줄이면서도 물리적 해석 가능성을 유지합니다.

2. 분산 합의 리만 ADMM (DR-ADMM):

   • $M$개의 에이전트 간에 양자 인코딩 회로의 하이퍼파라미터를 최적화하기 위해 저자들은 DR-ADMM을 개발했습니다.
   • 다양체 정의: 최적화 공간은 파라미터가 $[0, \pi]$ 범위의 회전 각도인 토러스 다양체 ($T^P$) 로 정의됩니다. 표준 유클리드 연산은 투영, 재추출, 로그 맵, 벡터 수송을 포함한 리만 연산으로 대체됩니다.
   • 합의 메커니즘: 에이전트들은 로컬 하이퍼파라미터 벡터 ($\theta_m$) 를 유지하며 중앙 서버와 통신하여 전역 합의 ($z$) 에 도달합니다. 이 알고리즘은 $\theta_m = z$라는 제약 조건 하에 로컬 음수 주변 로그 가능도 (negative marginal log-likelihood) 의 합을 최소화합니다.
   • 수렴: 저자들은 특정 매끄러움 가정 하에 DR-ADMM 알고리즘이 $O(1/S)$의 부분 선형 수렴 속도로 Karush-Kuhn-Tucker (KKT) 조건을 만족하는 정상점에 수렴함을 증명했습니다.

3. 예측 집계:

   • 전역 합의 파라미터가 학습되면, 각 에이전트는 로컬 예측 평균과 분산을 계산합니다.
   • 이러한 로컬 예측은 일반화된 전문가의 곱 (gPoE) 방법을 사용하여 전역 예측으로 집계됩니다.

주요 기여
본 논문은 두 가지 주요 기술적 기여를 합니다:

1. DR-ADMM 알고리즘: 리만 다양체에 특화된 분산 합의 최적화 알고리즘의 도입으로, 특히 다중 에이전트 간에 파라미터화된 양자 회로의 학습을 가능하게 합니다.
2. DQGP 프레임워크: 양자 커널의 표현력 (얽힘과 중첩 활용) 을 다중 에이전트 시스템으로 확장하는 분산 학습 아키텍처의 수립으로, DGPs 의 확장성과 고전적 커널의 표현력 한계를 모두 효과적으로 해결합니다.

실험 결과
DQGP 의 유효성은 Qiskit 및 PennyLane 을 사용한 고전 양자 시뮬레이터에서 두 가지 유형의 데이터셋을 대상으로 한 수치 실험을 통해 평가되었습니다:

• 실세계 데이터: NASA 의 셔틀 레이더 지형 임무 (SRTM) 에서 얻은 네 개의 서로 다른 타일 간의 비정상적 고도 데이터셋.
• 합성 데이터: 양자 가우시안 프로세스 사전 (prior) 에서 생성된 데이터셋.

이 방법은 단일 에이전트 Full-GP 와 두 가지 분산 고전적 베이스라인 (FACT-GP 및 apx-GP) 과 비교되었습니다.

• 성능 지표: 불확실성 정량화를 위해 음수 로그 예측 밀도 (NLPD) 를, 예측 정확도를 위해 정규화된 루트 평균 제곱 오차 (NRMSE) 를 사용했습니다.
• 결과:
  • DQGP 는 다양한 에이전트 수 ($M=4, 8, 27$) 와 데이터셋 크기 ($N=500, 5000$) 에서 NRMSE 와 NLPD 모두에서 고전적 분산 방법 (FACT-GP 및 apx-GP) 보다 일관되게 우수한 성능을 보였습니다.
  • 구체적으로, DQGP 는 고전적 분산 대응 방법 대비 약 32-47% 낮은 NRMSE를 달성했으며 NLPD 에서도 상당한 개선을 보였습니다.
  • 이 프레임워크는 에이전트 수가 증가함에 따라 견고성을 입증하여, 고전적 방법들이 성능 저하를 겪는 상황에서도 예측 우위를 유지했습니다.
  • 한계: 희소 데이터 ($N=500$) 와 높은 에이전트 수 ($M=27$) 를 가진 특정 사례에서 DQGP 는 때때로 고전적 방법보다 성능이 낮았습니다. 저자들은 이를 "황량한 평야 (barren plateau)" 현상으로 귀결지었으며, 이는 희소한 고전 데이터를 고차원 양자 힐베르트 공간에 임베딩하면 거의 직교하는 상태가 되어 상관관계를 제거하고 경사 기반 최적화를 방해하기 때문이라고 설명했습니다.

의의 및 주장
본 논문은 제안된 DQGP 프레임워크가 분산 학습의 확장성과 양자 컴퓨팅의 높은 표현력 사이의 간극을 성공적으로 연결한다고 주장합니다. 리만 최적화 접근법을 수립함으로써 저자들은 양자 파라미터의 비유클리드 특성으로 인해 이전에는 어려웠던 다중 에이전트 환경에서 양자 커널의 학습을 가능하게 했습니다.

저자들은 현재 실험이 고전 시뮬레이터에 의존하며 NISQ 하드웨어에서 양자 속도 향상을 아직 입증하지는 못했지만, 이 프레임워크는 양자 하드웨어가 가우시안 프로세스에 제공할 수 있는 잠재적인 계산 속도 향상과 모델링 이점을 강조한다고 말합니다. 이 연구는 자율 다중 에이전트 시스템에서 복잡하고 비정상적이며 대규모인 확률적 모델링 작업을 처리할 수 있는 미래의 하이브리드 고전 - 양자 시스템을 위한 기초 아키텍처를 확립합니다.