Scalable Quantum Machine Learning via Multi-layer Fully-Connected Variational Quantum Circuits

본 논문은 표현력과 학습 가능성 간의 딜레마를 해결하기 위해 고차원 입력을 국소 양자 블록으로 분해하는 모듈식 프레임워크인 다층 완전 연결 변분 양자 회로 (FC-VQC) 를 제안하며, 이는 다양한 작업에서 단일 구조 VQC 와 심층 신경망보다 적은 학습 가능 매개변수로 경쟁력 있는 성능을 달성합니다.

핵심

컴퓨터가 특수한 계산기인 양자 컴퓨터를 사용하여 복잡한 퍼즐을 풀도록 가르친다고 상상해 보세요. "양자 머신 러닝" 세계에서는 **변분 양자 회로 (VQC)**가 표준 도구입니다. 표준 VQC 를 하나의 거대하고 단일화된 기계로 생각하세요.

그 거대 기계에는 다음과 같은 문제가 있습니다:

• 작다면: 실행하기 쉽지만, 복잡한 패턴을 학습하기에는 너무 단순합니다 (박사 수준의 수학 문제를 풀려고 하는 아이처럼).
• 크다면: 학습할 만큼 강력하지만, 너무 커서 이를 시뮬레이션하려는 컴퓨터를 충돌시키거나, 완전히 "혼란"스러워 학습을 멈추게 합니다 (과학자들이 "불모의 평원 (barren plateaus)"이라고 부르는 문제로, 컴퓨터가 길을 잃는 상황입니다).

이 논문의 저자들은 FC-VQC(다층 완전 연결 변분 양자 회로) 라는 새로운 솔루션을 제안합니다. 하나의 거대 기계 대신, 그들은 소규모 전문 작업자 팀을 구축했습니다.

핵심 아이디어: "공장 조립 라인" 비유

300 가지 다른 색상의 구슬 (고차원 입력) 이 무더기로 쌓여 있다고 가정해 보세요.

옛 방식 (단일화 VQC):
300 개의 구슬을 한 번에 하나의 거대한 분류 기계에 넣으려 합니다.

• 문제점: 그 기계는 너무 커서 만들 수 없습니다. 일반 컴퓨터로 시뮬레이션하려면 메모리를 너무 많이 차지해 충돌이 발생합니다. 크기를 줄여 맞추려 하면 색상을 올바르게 분류할 수 없습니다.

새로운 방식 (FC-VQC):
300 개의 구슬을 3 개씩 묶은 100 개의 작은 그룹으로 나눕니다.

1. 로컬 작업자: 구슬 3 개씩의 그룹을 각각 작은 단순 분류 기계 (로컬 VQC 블록) 에 할당합니다. 이 작은 기계들은 구축하고 실행하기 쉽습니다.
2. 믹서: 첫 번째 라운드 후, 분류된 그룹을 그냥 따로 두지 않습니다. A 그룹에서 하나, B 그룹에서 하나, C 그룹에서 하나씩 구슬을 가져와 섞은 다음 다음 세트의 작은 기계로 전달합니다.
3. 연쇄: 이 과정을 반복합니다. 작은 기계들은 작고 관리하기 쉬운 상태로 유지되지만, 레이어를 통해 서로 정보를 전달하기 때문에 전체 시스템이 300 개 구슬 퍼즐 전체를 처리하는 법을 학습하게 됩니다.

무엇을 발견했나요?

연구자들은 이 "작업자 팀" 접근 방식을 "거대 기계"와 비교하고, 세 가지 유형의 작업에서 표준 고전 컴퓨터 모델 (심층 신경망) 과도 비교 테스트했습니다.

1. 단순 표 (회귀 및 분류):

   • 작업: 몇 가지 숫자를 기반으로 콘크리트 강도나 와인 품질을 예측합니다.
   • 결과: 거대 양자 기계는 어려움을 겪었습니다. 새로운 "팀" 접근 방식 (FC-VQC) 은 거대 기계보다 더 잘 수행했으며, **훨씬 적은 조정 가능한 설정 (파라미터)**을 사용함에도 표준 고전 컴퓨터 모델보다 더 좋은 성과를 거두었습니다. 거대하고 비대해진 관료제보다 작고 효율적인 전문가 팀이 더 뛰어난 성과를 내는 것과 같습니다.

2. 복잡한 시공간 문제 (PDE/BSDE):

   • 작업: 시간과 공간에 따라 변화하는 복잡한 물리 방정식을 해결합니다 (열의 확산이나 주가 변동 예측 등). 데이터가 거대하여 (최대 300 차원) 매우 어렵습니다.
   • 결과: 거대 양자 기계는 이러한 작업에 대해 컴퓨터에서 시뮬레이션조차 할 수 없었습니다. 너무 컸기 때문입니다. "팀" 접근 방식 (FC-VQC) 은 완벽하게 작동했습니다. 충돌 없이 거대한 데이터 크기를 처리할 수 있도록 확장되었으며, 최고의 고전 컴퓨터 모델과同等하거나 더 나은 성능을 보였습니다.

왜 이것이 중요한가요?

• 확장성: 개별 작업자를 더 크게 만들지 않고도 더 많은 작은 작업자를 추가하여 시스템을 크게 만들 수 있습니다. 이는 이전에는 양자 컴퓨터가 시뮬레이션할 수 없었던 거대한 문제를 해결할 수 있음을 의미합니다.
• 효율성: 그들은 동등하거나 더 나은 결과를 얻기 위해 고전 컴퓨터 모델보다 10 배에서 77 배까지 적은 "학습 가능한 파라미터" (컴퓨터가 학습하기 위해 조정하는 노브와 다이얼) 를 사용하여 이러한 결과를 달성했습니다.
• 학습 가능성: 개별 회로가 작기 때문에 "혼란"을 겪거나 학습 능력을 상실하지 않습니다 (불모의 평원 문제를 방지). 경사 (컴퓨터가 개선 방법을 알려주는 신호) 가 강력하게 유지됩니다.

주의 사항 (그들이 주장하지 않은 것)

저자들은 결과를 과장하지 않도록 주의했습니다:

• 시뮬레이션 전용: 이러한 실험은 실제 양자 하드웨어가 아닌, 양자 행동을 시뮬레이션하는 고전 컴퓨터에서 수행되었습니다.
• 노이즈: 그들은 "노이즈" (불완전한 양자 컴퓨터를 시뮬레이션) 로 작은 테스트를 수행했고 시스템은 상당히 잘 견뎌냈지만, 이는 단지 첫걸음일 뿐이라고 인정합니다. 실제 하드웨어는 더 복잡합니다.
• 마법이 아님: 그들은 양자 컴퓨터가 모든 것에 더 뛰어나다고 주장하지 않습니다. 그들은 이 특정 "모듈식" 아키텍처가 이러한 특정 유형의 문제에 대해 기존의 "거대 기계" 접근 방식보다 양자 모델을 구축하는 더 나은 방법이라고 주장합니다.

요약

이 논문은 양자 머신 러닝 모델을 구축하는 새로운 방식을 소개합니다: 거대한 뇌 하나를 만들지 말고, 연결된 작은 뇌들의 네트워크를 만드십시오. 이 접근 방식을 통해 양자 모델은 거대하고 복잡한 데이터를 처리하고, 더 효율적으로 학습하며, 더 적은 리소스를 사용하면서 기존 양자 방법과 일부 표준 고전 컴퓨터보다 뛰어난 성과를 낼 수 있습니다.

기술 요약

기술 요약: 다층 완전 연결 변분 양자 회로를 통한 확장 가능한 양자 머신 러닝

1. 문제 제기

변분 양자 회로 (VQC) 는 파라미터화 양자 회로 또는 양자 신경망으로도 불리며, 단기간 양자 머신 러닝 (QML) 을 위한 선도적인 프레임워크입니다. 그러나 표준적인 단일 구조 (monolithic) VQC 아키텍처는 근본적인 표현력 - 학습 가능성 딜레마에 직면해 있습니다:

• 저차원 설정: 작고 얕은 VQC 는 시뮬레이션과 최적화가 쉽지만, 종종 경쟁력 있는 표현을 학습하기에 충분한 학습 가능 파라미터가 부족합니다 (파라미터 부족).
• 고차원 설정: 표현력을 향상시키기 위해 회로의 폭이나 깊이를 증가시키면 힐베르트 공간이 지수적으로 확장 ($d$개의 큐비트에 대해 $O(2^d)$) 되어 직접적인 시뮬레이션이 불가능해집니다. 또한, 충분히 깊거나 표현력이 풍부한 단일 구조 회로는 종종 **황량한 평야 (barren plateaus)**로 고통받는데, 이는 기울기가 지수적으로 소실되어 최적화를 방해합니다.

연방 QML, 텐서 네트워크 방법, 또는 앙상블 스타일 회로와 같은 기존 모듈식 접근법은 표현 학습을 고전적 프론트엔드로 이전하거나, 구조적 랭크 제한에 의존하거나, 충분한 전역 특징 상호작용을 제공하지 못합니다. 단일 대형 단일 구조 회로를 구성하거나 학습 가능한 고전 인코더에 의존하지 않고 모델 용량을 증가시킬 수 있는 확장 가능한 양자 아키텍처가 필요합니다.

2. 방법론: FC-VQC

저자들은 입력 차원에 비례하여 양자 파라미터를 선형적으로 확장하면서도 개별 양자 계산을 국소적이고 처리 가능한 수준으로 유지하도록 설계된 모듈식 프레임워크인 **다층 완전 연결 변분 양자 회로 (FC-VQC)**를 제안합니다.

핵심 아키텍처

FC-VQC 는 고정 크기의 국소 $q$-큐비트 VQC 블록으로 고차원 입력을 분할합니다. 이러한 블록들은 결정론적, 파라미터 없는 블록 혼합 규칙을 통해 연결됩니다.

• 입력 계층: 입력 벡터 $x \in \mathbb{R}^d$는 크기 $q$인 $B$개의 블록으로 분할됩니다 ($d = Bq$).$d$가$q$로 나누어지지 않으면 0 패딩이 적용됩니다.$B$가 작은 저차원 작업의 경우, 블록 수를 늘리기 위해 분할 전에 결정론적 특징 확장 (예: 다항식 또는 루트 변환) 이 적용됩니다.
• VQC 블록: 각 블록은 $q$-큐비트 매핑 $f_\Theta: \mathbb{R}^q \to \mathbb{R}^{n_{out}}$입니다. 회전 인코딩을 적용한 후 $K$개의 강한 얽힘 층 (일반 단일 큐비트 오일러 회전 및 CNOT 패턴) 을 사용합니다. 출력은 파울리-Z 기대값에서 유도됩니다.
• 은닉 계층 (블록 혼합): 각 계층 $l$에서 이전 계층 블록의 출력은 다음 국소 VQC 블록으로 입력되기 전에 결정론적 매핑 $g^{(l)}_b$를 사용하여 혼합됩니다.
  • 슬라이딩 윈도우 혼합 (주요): 각 블록은 크기 $r$인 국소 링 이웃으로부터 정보를 수신합니다. 이는 깊이가 증가함에 따라 정보가 전체 입력 차원에 걸쳐 전파되도록 허용합니다 ($R^{(L)}(b) \approx 2Lr + 1$).
  • 완전 연결 혼합: 모든 블록이 이전 모든 블록에서 집계된 정보를 수신하는 대안으로, 단일 단계에서 전역 의존성을 가능하게 합니다.
• 출력 계층: 블록당 더 적은 관측량을 측정함으로써 차원 보존 매핑 (BSDE/PDE 솔버용) 또는 단계적 차원 축소 (표 형식 회귀/분류용) 를 지원합니다.

이론적 동기

이 아키텍처는 세 가지 이론적 통찰에 기반합니다:

1. 노이즈 누적: 블록 사이에 측정 및 재인코딩 인터페이스를 삽입함으로써 (2 형 아키텍처), 모델은 종단 간 일관성 노이즈 누적을 완화합니다. 깊은 일관성 회로에서 전형적인 지수적 신호 수축 ($\lambda^D$) 대신, 오차 전파는 계층 수에 따라 선형적으로 발생하며 블록당 편차와 유한 샷 노이즈에 의해 제한됩니다.
2. 수용 영역 확장: 블록 혼합은 의존성 지지를 확장합니다. 병렬 블록은 분리 가능하지만, 슬라이딩 윈도우 혼합은 깊이에 따라 성장하는 교차 블록 상호작용을 국소 블록이 포착하도록 허용하며, 완전 연결 혼합은 즉시 전역 의존성을 달성합니다.
3. 지지 불일치: 이론적 경계는 제한된 상호작용 지지 (분리 가능한 모델) 가 교차 블록 상호작용이 필요한 목표에 대해 제거 불가능한 오차를 초래함을 보여줍니다. FC-VQC 는 혼합을 통해 표현 가능한 함수의 구조적 가족을 확장함으로써 이러한 오차를 줄입니다.

3. 주요 기여

1. 딜레마 해결: FC-VQC 는 더 넓거나 깊은 단일 구조 회로 대신 많은 수의 작은 국소 블록을 통해 학습 가능한 양자 용량을 증가시킴으로써 표현력 - 학습 가능성 트레이드오프를 해결합니다.
2. 확장성: 고정된 블록 크기 $q$에 대해, 학습 가능한 양자 파라미터의 수는 입력 차원 $d$에 비례하여 선형적으로 확장됩니다. 이는 단일 구조 VQC 에서는 불가능한 ($O(2^{300})$) 고차원 문제 (예: $d=300$) 의 시뮬레이션을 가능하게 합니다.
3. 파라미터 효율성: FC-VQC 는 구조가 일치하는 심층 신경망 (DNN) 에 비해 경쟁력 있거나 향상된 성능을 달성하면서도 훨씬 적은 학습 가능 파라미터를 사용합니다.

4. 실험 결과

이 프레임워크는 표 형식 회귀, 표 형식 분류, 시공간 BSDE/PDE 근사라는 세 가지 영역에서 평가되었습니다.

예측 성능

• 표 형식 작업: 콘크리트 강도 회귀 작업 ($d=8$) 에서 FC-VQC 는 테스트 $R^2$가 0.8928로, 단일 구조 VQC (0.6768) 와 구조 일치 DNN (0.8486) 모두를 능가했습니다. 와인 품질 분류 ($d=11$) 에서 FC-VQC 는 **63.6%**의 정확도에 도달하여 DNN 기준 (58.4%) 을 초과했습니다.
• 시공간 PDE: FC-VQC 는 공간 차원 $d=36$ 및 $d=300$을 가진 블랙 - 숄즈, 버거스, 진동 PDE 에서 테스트되었습니다.
  • 블랙 - 숄즈 ($d=300$) 에서 FC-VQC 는 상대 MAE 를 0.0189(DNN) 에서 0.0098로 감소시켰습니다.
  • 진동 PDE ($d=300$) 에서 오차를 0.5699에서 0.4650으로 감소시켰습니다.
  • 버거스 PDE(가장 어려운 비선형 사례) 에서 FC-VQC 는 DNN 과 유사한 성능을 유지했으며, $d=300$에서 약간 더 높은 오차 (0.8842 대 0.8737) 를 보였는데, 이는 작업 의존적 성능 한계를 나타냅니다.

확장성 및 복잡도

• 시뮬레이션 가능성: 상태 벡터 크기 제약으로 인해 단일 구조 VQC 기준선은 $d=36$ 또는 $d=300$에 대해 시뮬레이션할 수 없었습니다. 크기 $q=3$의 국소 회로를 사용하는 FC-VQC 는 선형 확장 복잡도 $O(d)$로 이러한 고차원 작업을 성공적으로 시뮬레이션했습니다.
• 파라미터 효율성: FC-VQC 는 7.1 배에서 77.2 배 적은 학습 가능 파라미터로 DNN 성능과 일치하거나 향상시켰습니다. 고차원 PDE($d=300$) 의 경우 감소 폭이 77 배 이상이었습니다.

학습 가능성 및 견고성

• 기울기 역학: 콘크리트 강도 벤치마크에 대한 실증 분석은 좁은 단일 구조 VQC 가 기울기 분산 붕괴를 겪음을 보여주었습니다. FC-VQC 아키텍처는 다양한 깊이와 계층에 걸쳐 더 건강한 기울기 역학을 유지하여 모듈식 확장이 학습 가능성을 보존한다는 주장을 뒷받침했습니다.
• NISQ 견고성: 탈분극 노이즈 ($p=0.001, 0.01$) 를 사용한 예비 테스트는 $R^2$에서 0.01~0.02 정도의 경미한 저하만 보여주어 측정 - 재인코딩 구조가 일관성 노이즈 누적을 완화함을 시사합니다.

5. 중요성 및 주장

이 논문은 FC-VQC 를 모든 고전 모델에 대한 보편적 양자 우월성의 주장이 아닌, 확장 가능한 모듈식 아키텍처로 위치시키며, 이는 VQC 스타일 모델의 실용적 사용성을 저차원 영역을 넘어 확장합니다.

• 실증적 기여: 이 연구는 조밀한 고전 학습 모듈을 모듈식 FC-VQC 블록으로 대체하면 구조가 일치하는 DNN 성능을 훨씬 적은 파라미터로 일치하거나 초과할 수 있음을 보여줍니다.
• 아키텍처 정당화: 이론적 결과는 블록 혼합과 측정/재인코딩이 깊은 일관성 회로에 비해 표현력과 노이즈 내성을 향상시키는 이유에 대한 공식적 근거를 제공합니다.
• 한계: 저자들은 주요 실험이 고전 상태 벡터 시뮬레이션에 의존하며, 노이즈 분석은 완전한 하드웨어 평가가 아닌 예비 점검임을 인정합니다. 기울기 역학 분석은 실증적이며 황량한 평야 제거에 대한 공식적 증명을 구성하지 않습니다. 파라미터 효율성 우위는 구조가 일치하는 DNN 에 비해 입증된 것이며, 반드시 모든 특수화된 고전 아키텍처 (예: 희소 네트워크 또는 트리 앙상블) 에 비해 입증된 것은 아닙니다.

결론적으로, FC-VQC 는 문제를 처리 가능한 국소 양자 계산으로 분해하고 결정론적 고전 혼합으로 연결함으로써 고차원 문제로 양자 머신 러닝을 확장할 수 있는 실현 가능한 경로를 제공하며, 표현력, 학습 가능성, 계산 실현 가능성 사이의 균형을 맞춥니다.