Machine learning of quantum data using optimal similarity measurements

1. 연구 배경 및 문제 정의 (Problem)

• 양자 기계 학습 (QML) 의 핵심 과제: 양자 기계 학습은 양자 상태의 함수 (예: 유사도, 겹침) 를 평가함으로써 고전적으로 계산하기 어려운 데이터 처리의 이점을 얻으려 합니다. 특히, 두 양자 상태 간의 **겹침 (Overlap, $|\langle \psi_A | \psi_B \rangle|^2$)**은 양자 분류기에서 커널 함수나 모델 학습의 비용 함수로 핵심적인 역할을 합니다.
• 기존 방법의 한계:
  • 상태 특성화 (Tomography): 개별 데이터 인스턴스를 완전히 특성화 (Tomographic reconstruction) 한 후 유사도를 계산하는 방식은 시스템 차원 (Dimension) 에 따라 샘플 수가 기하급수적으로 증가하여 확장성이 떨어집니다.
  • 분산 측정 (Distributed Measurement): 각 상태를 별도로 측정하고 고전적으로 후처리하는 방식도 고차원 시스템에서 지수적인 비용이 듭니다.
  • 회로 부하: 기존 방법들은 깊은 유니타리 회로 (Deep Unitaries) 를 필요로 하거나 사전에 데이터의 고전적 설명을 알아야 하는 경우가 많아, 양자 네이티브 데이터 (Quantum-native data) 에 적용하기 어렵습니다.
• 목표: 시스템 차원에 독립적이고, 정보 이론적으로 최적의 샘플 복잡도를 가지며, 하드웨어 효율적인 직접적인 양자 유사도 측정 프로토콜을 개발하여 확장 가능한 QML 을 실현하는 것입니다.

2. 방법론 (Methodology)

이 논문은 **보손 양자 간섭 (Bosonic Quantum Interference)**과 **광자 수 패리티 판독 (Photon-number Parity Readout)**을 기반으로 한 새로운 측정 방식을 제안합니다.

• 측정 원리 (Overlap Estimation Scheme):

  1. 두 개의 미지 양자 상태 $\hat{\rho}^{(A)}$와 $\hat{\rho}^{(B)}$를 준비합니다.
  2. 두 상태를 균형 잡힌 빔 스플리터 (Balanced Beam Splitters, BS) 에 입력하여 보손 간섭을 일으킵니다. 이는 두 상태의 모드 (Mode) 를 쌍으로 결합하는 유니타리 연산 $\hat{U}_{BS}$를 수행합니다.
  3. 출력 포트 중 하나 (레지스터 B) 에서 **광자 수 패리티 (Photon-number parity, $\hat{\Pi} = (-1)^{\sum \hat{n}_i}$)**를 측정합니다.
  4. 이론적으로, 이 패리티 측정의 기댓값은 두 상태의 트레이스 겹침 (Trace overlap) 과 직접적으로 연결됩니다:
     $$\text{Tr}[\hat{\rho}^{(A)}\hat{\rho}^{(B)}] = \langle \hat{\Pi} \rangle$$
  5. 실험적으로는 광자 수를 구분하는 검출기 (PNRD) 가 없어도, 단일 광자 상태의 경우 '클릭' 검출 (Coincidence detection) 을 통해 홀수/짝수 패리티를 판별하여 겹침을 추정할 수 있습니다.

• 샘플 복잡도 (Sample Complexity):

  • 제안된 방식은 $O(\epsilon^{-2})$의 샘플 복잡도를 가집니다. 여기서 $\epsilon$은 허용 오차입니다.
  • 이 복잡도는 모드 수, 광자 수, 에너지에 무관하며, 헬스트롬 한계 (Helstrom bound) 를 기반으로 할 때 정보 이론적으로 최적 (Optimal) 임을 증명했습니다.
  • 반면, 분산 측정 (Distributed measurement) 방식은 이산 변수 (DV) 및 연속 변수 (CV) 상태 모두에서 시스템 크기에 따라 지수적으로 증가하는 샘플 복잡도를 가질 것으로 추정됩니다.

• 실험 플랫폼 (Prakash-1):

  • 연구진은 Prakash-1이라는 완전히 프로그래밍 가능한 통합 광자 처리기 (Photonic Integrated Circuit, PIC) 기반 플랫폼을 사용했습니다.
  • 실리콘 나이트라이드 (Si$_3$N$_4$) 기반의 10x10 정사각형 메쉬 구조를 가진 칩을 사용하여, 임의의 10 모드 유니타리 변환을 구현하고 위상 인코딩된 쿼디트 (Qudit) 상태를 생성 및 간섭시켰습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

• 이론적 증명:

  • 보손 간섭을 이용한 겹침 측정 방식이 샘플 복잡도 측면에서 최적임을 수학적으로 증명했습니다.
  • 분산 측정 방식이 고차원 시스템에서 겪는 '차원의 저주 (Curse of dimensionality)'를 간섭 기반의 결합 측정 (Joint measurement) 을 통해 우회할 수 있음을 보였습니다.

• 실험적 검증 (QML 태스크 수행):

  1. 양자 데이터 분류 (Classification):
     • SVM(서포트 벡터 머신) 기반의 커널 분류기를 구현했습니다.
     • 선형 분리 가능, 구형 분리 가능, 부분적으로 겹치는 데이터셋을 사용하여 실험했습니다.
     • 결과: 실험적으로 측정된 겹침 값을 커널로 사용하여 90% 이상의 정확도 (선형 분리: 100%, 구형: 98.47%, 겹침: 91.65%) 를 달성했습니다. 이는 고전적으로 분리 불가능한 데이터도 양자 커널을 통해 분리 가능함을 보여줍니다.
  2. 양자 데이터 온라인 학습 (Online Learning):
     • 알려지지 않은 목표 양자 상태를 학습하는 온라인 학습 시나리오를 구현했습니다.
     • SPSA (Simultaneous Perturbation Stochastic Approximation) 알고리즘을 사용하여 비용 함수 (불일치도) 를 최소화하는 방향으로 파라미터를 업데이트했습니다.
     • 결과: 잡음이 있는 환경 (열 크로스토크 등) 에서도 **500 회 반복 내 98.3% 의 중앙값 충실도 (Fidelity)**로 수렴했습니다. 이는 실제 양자 하드웨어의 노이즈 하에서도 견고하게 작동함을 입증했습니다.

• 하드웨어 효율성:

  • 단일 광자 쌍을 사용하여 다중 모드 간섭을 수행함으로써, 복잡한 상태 준비나 깊은 회로 없이도 고품질의 겹침 측정이 가능함을 시연했습니다.

4. 의의 및 전망 (Significance)

• 확장 가능한 양자 데이터 처리: 이 연구는 개별 양자 상태를 특성화할 필요 없이, 양자 데이터 간의 관계 (유사도) 를 직접 추출할 수 있는 확장 가능한 (Scalable) 경로를 제시했습니다. 이는 미래의 양자 네트워크에서 데이터가 양자 상태로 직접 생성 및 전송될 때 필수적인 기술입니다.
• 실용적인 QML 구성 요소: 제안된 겹침 측정 방식은 하드웨어 효율적이고 샘플 최적화되어 있어, 양자 신경망 학습, 분산 양자 컴퓨팅, 블라인드 양자 컴퓨팅 등 다양한 QML 응용 분야의 기본 구성 요소 (Building block) 로 활용될 수 있습니다.
• 고차원 및 비가우시안 상태로의 확장: 현재 실험은 단일 광자 상태에 국한되었으나, 이 방식은 비가우시안성이나 높은 얽힘을 가진 복잡한 양자 상태 (예: GKP 상태 등) 에도 적용 가능하며, 이를 통해 고전적으로 시뮬레이션하기 어려운 진정한 양자 우위 (Quantum Advantage) 를 달성할 수 있는 잠재력을 가집니다.

결론적으로, 이 논문은 양자 데이터의 유사도를 측정하는 데 있어 이론적으로 최적이고 실험적으로 실현 가능한 프로토콜을 제시하며, 이를 통해 노이즈가 있는 실제 양자 하드웨어에서 고효율의 기계 학습 태스크를 성공적으로 수행했음을 입증했습니다.