Sequence and Image Transformations with Monarq: Quantum Implementations for NISQ Devices

이 논문은 QCrank 인코딩과 EHands 프로토콜을 통합한 Monarq 프레임워크를 제시하여, 잡음이 있는 중간 규모 양자 (NISQ) 하드웨어에서 컨볼루션, 푸리에 변환, 엣지 감지 등 다양한 신호 및 이미지 처리 작업의 실현 가능성을 검증했습니다.

핵심

🎬 한 줄 요약

"조금 덜떨어진 양자 컴퓨터 (NISQ) 에도, 이미지 편집과 신호 분석 같은 복잡한 작업을 시킬 수 있는 새로운 '레시피 (Monarq)'를 개발했습니다."

---

1. 배경: 왜 이 연구가 필요할까요?

양자 컴퓨터는 미래의 슈퍼 컴퓨터로 불리지만, **현재의 양자 컴퓨터 (NISQ)**는 아직 완벽하지 않습니다.

• 비유: 마치 새로 만든 고가의 카메라는 사진은 잘 찍지만, 손이 조금 떨려서 사진이 흐릿해지거나 배터리가 금방 닳는 상태입니다.
• 문제: 이론적으로는 양자 컴퓨터로 이미지 처리를 할 수 있다고 했지만, 실제 기계 (하드웨어) 에 적용하려면 '소음 (Noise)'과 '오류' 때문에 실패할 확률이 높았습니다.

2. 해결책: 'Monarq'라는 새로운 도구

연구진은 이 문제를 해결하기 위해 Monarq라는 통합 프레임워크를 만들었습니다. 이는 두 가지 핵심 기술을 하나로 묶은 것입니다.

A. QCrank (데이터를 싣는 방법)

• 비유: 양자 여행가방 (Suitcase)
• 설명: 고전적인 데이터를 양자 컴퓨터가 이해할 수 있는 '양자 상태'로 넣는 방법입니다. 기존 방식은 하나씩 넣느라 가방이 빨리 찼다면, QCrank 는 주머니를 여러 개 만들어 한 번에 많은 데이터를 효율적으로 싣는 방식입니다.

B. EHands (계산하는 방법)

• 비유: 양자 레고 (Lego)
• 설명: 싣고 난 데이터를 계산하는 도구입니다. 복잡한 수식을 거대한 공장에서 만드는 게 아니라, 작은 레고 블록 (기본 연산) 들을 조립해서 원하는 계산 (다항식) 을 만들어내는 방식입니다.

C. Monarq (완성된 공장)

• 핵심: QCrank(가방) 와 EHands(레고) 는 서로 **같은 언어 (EVEN 인코딩)**를 사용합니다. 그래서 데이터를 옮기거나 변환할 필요가 없이, 가방에서 바로 레고 조립을 시작할 수 있어 매우 효율적입니다.

---

3. 실험: 실제로 뭘 해봤나요?

연구진은 IBM 의 실제 양자 컴퓨터와 시뮬레이터를 이용해 4 가지 작업을 수행했습니다.

1. 합성 (Convolution): 두 개의 신호를 섞어서 새로운 신호를 만드는 작업. (예: 사진에 필터 입히기)
2. 푸리에 변환 (DFT): 소음이나 신호에서 주파수 패턴을 찾아내는 작업. (예: 음악에서 특정 악기 소리 분리하기)
3. 기울기 계산 (Squared Gradient): 이미지에서 픽셀 값이 급격히 변하는 부분을 계산. (예: 사진의 명암 변화 찾기)
4. 경계 탐지 (Edge Detection): 이미지에서 물체의 윤곽선을 찾아내는 작업. (예: 사진 속 사람 얼굴의 테두리 찾기)

4. 결과: 잘 됐나요?

결과는 **"아직 완벽하지는 않지만, 충분히 가능함"**이었습니다.

• 성공: IBM 의 실제 양자 컴퓨터에서 작은 크기의 이미지와 신호 처리에 성공했습니다.
• 한계: 양자 컴퓨터는 소음이 많아서 결과가 원래 값보다 약간 작게 나오는 경향이 있었습니다. (비유: 라디오 소리가 약간 작게 들리는 것)
• 해결: 연구진은 이 오차를 보정하는 '볼륨 조절 (Calibration)' 방법을 적용했습니다. 이를 통해 원래 값과 매우 유사한 결과를 얻을 수 있었습니다.
• 확장: 아주 큰 이미지 (예: 25,000 픽셀) 는 한 번에 처리할 수 없어, 이미지를 잘게 쪼개서 여러 번 처리하고 다시 붙이는 방식을 썼습니다.

5. 결론 및 의의

이 연구는 **"양자 컴퓨터가 이미지 처리를 할 수 있다"**는 것을 증명했습니다.

• 현재: 아직 고전 컴퓨터 (일반 PC) 보다 빠르거나 뛰어난 것은 아닙니다. (양자 우위 달성 전)
• 미래: 하지만 양자 컴퓨터로 데이터를 처리하는 '기본기'를 다졌다는 점에서 중요합니다. 마치 비행기가 하늘을 날기 전에, 조종사가 이륙과 착륙을 연습하는 단계라고 볼 수 있습니다.

🌟 마치며

이 논문은 **"양자 컴퓨터가 아직 어리고 불안정하지만, 우리가 만든 'Monarq'라는 도구로 그 약점을 보완하고 실제로 유용한 일을 시킬 수 있다"**는 희망을 보여줍니다. 앞으로 양자 컴퓨터의 성능이 좋아지면, 이 기술을 통해 의료 영상 분석이나 자율 주행 같은 분야에서 혁신이 일어날 수 있을 것입니다.

기술 요약

1. 문제 제기 (Problem)

양자 컴퓨팅은 신호 및 이미지 처리 작업에 새로운 가능성을 제시하지만, 이론적 양자 알고리즘을 현재의 NISQ(Noisy Intermediate-Scale Quantum) 하드웨어에 실용적으로 적용하는 데는 상당한 어려움이 존재합니다. 주요 도전 과제는 다음과 같습니다.

• 하드웨어 제약: 내재적 노이즈, 제한된 코히어런스 시간, 제한된 큐비트 연결성 (Connectivity).
• 회로 깊이: 기존 양자 알고리즘은 깊이가 깊어 (Deep circuits) NISQ 장치에서 실행 시 오류가 누적되어 신뢰할 수 있는 결과를 얻기 어렵습니다.
• 데이터 인코딩: 실수 값 (Real-valued) 데이터를 양자 상태에 효율적으로 인코딩하고, 디코히어런스 전에 계산을 수행하는 방법의 부재.

이 연구는 "현재의 NISQ 하드웨어에서 고전적 데이터 처리 연산의 양자 구현이 신뢰할 수 있는 결과를 낼 수 있는가?"라는 질문에 답하고자 합니다.

2. 방법론 (Methodology)

저자들은 Monarq라는 통합 양자 데이터 처리 프레임워크를 제안했습니다. 이는 두 가지 핵심 프로토콜을 결합하여 NISQ 제약에 최적화된 얕은 회로 (Shallow circuits) 를 구성합니다.

• QCrank 인코딩:
  • 실수 값 시퀀스를 양자 프로세서에 효율적으로 입력하기 위한 방식.
  • 병렬 UCR (Uniformly Controlled Rotation) 게이트를 사용하여 회로 깊이를 크게 줄입니다.
  • 주소 (Address) 큐비트와 데이터 (Data) 큐비트를 사용하여 $2^{n_a}$개의 주소에$n_d$개의 데이터 채널을 저장합니다.
• EHands 프로토콜:
  • 양자 하드웨어에서 다항식 변환 (Polynomial Transformations) 을 수행하는 기본 연산자.
  • 곱셈 ($\Pi$), 가중 합 ($\Sigma$), 부호 반전 (Negation) 등 기본 연산을 조합하여 다항식을 계산합니다.
  • 얕은 회로 구조 (선형 스케일링) 를 제공하여 NISQ 환경에 적합합니다.
• 통합 (EVEN Encoding):
  • QCrank 와 EHands 는 모두 EVEN (Expectation Value Encoding) 인코딩 방식을 공유합니다.
  • 이를 통해 데이터 인코딩과 연산 사이에서 변환 (Conversion) 단계 없이 직접적인 통합이 가능하며, Monarq 파이프라인을 형성합니다.
• 응용 알고리즘:
  1. 컨볼루션 (Convolution): 두 시퀀스의 요소별 곱셈.
  2. 이산 시간 푸리에 변환 (DFT): 주소 큐비트를 측정하지 않고 기대값을 계산하여 적분 (합산) 수행.
  3. 제곱 기울기 (Squared Gradient): 이미지 경계 검출을 위한 2 차 다항식 계산.
  4. 엣지 검출 (Edge Detection): 기울기 계산과 임계값 (Thresholding) 결합.

3. 주요 기여 (Key Contributions)

1. Monarq 프레임워크 제안: QCrank 데이터 인코딩과 EHands 다항식 계산을 통합한 단일 파이프라인을 구축했습니다.
2. 다양한 알고리즘 검증: IBM 양자 하드웨어 (Pittsburgh, Kingston, Aachen) 와 이상적인 시뮬레이터를 사용하여 4 가지 알고리즘 (컨볼루션, 기울기, DFT, 엣지 검출) 을 검증했습니다.
3. 정확도 평가 방법론: 알려진 결과 (Ground Truth) 와 양자 출력 간의 평균 제곱근 오차 (RMSE) 를 비교하여 처리 정확도를 평가하는 방법론을 제시했습니다.
4. NISQ 최적화: 깊은 회로 없이도 의미 있는 계산 결과를 얻을 수 있음을 입증하여, 향후 복잡한 양자 알고리즘 개발을 위한 기초 블록을 제공했습니다.

4. 실험 결과 (Results)

연구진은 4 가지 실험을 통해 프레임워크의 성능을 평가했습니다.

• 컨볼루션 (IBM Pittsburgh):
  • 7 큐비트, 32,000 샷 (Shots) 사용.
  • 사후 처리 보정 (Attenuation factor) 후 RMSE 0.065 달성.
  • 변환된 회로의 CNOT 게이트 수가 약 200 개 이하일 때 IBM NISQ QPU 에서 신뢰할 수 있는 계산이 가능함을 확인.
• DFT (이상적 시뮬레이터):
  • 중력파 (Gravitational Wave) 신호에 적용.
  • 주소 큐비트 미측정을 통한 인시투 (In-situ) 합산 수행.
  • 주파수 영역에서 진폭 및 위상 측정 시 고충실도 (High Fidelity) 결과 도출.
• 제곱 기울기 (IBM Aachen):
  • 32x32 픽셀 이미지를 64 개의 스트립으로 분할 (Tiling) 하여 처리.
  • 8 큐비트, 252 CNOT 게이트 사용.
  • 양자 결과와 고전적 기울기 계산 간의 시각적 일치도 확인.
• 엣지 검출 (이상적 시뮬레이터):
  • 192x128 픽셀 이미지를 24 개의 타일로 분할 처리.
  • 20 큐비트, 8,000 개 이상의 CNOT 게이트, 3 천만 샷 사용.
  • 노이즈를 억제하고 객체 경계를 식별하는 이진 엣지 맵 생성 성공.

오차 분석:

• 주요 오차 원인은 샷 노이즈 (Shot noise) 와 게이트 비정확도 (Gate infidelity) 의 누적.
• 하드웨어 실행 시 출력 신호의 감쇠 (Attenuation) 가 관찰되었으며, 단일 보정 인자로 이를 보정하여 RMSE 를 계산했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• NISQ 시대의 데이터 처리 기준: 이 연구는 양자 우위 (Quantum Advantage) 를 주장하기 전 단계에서, NISQ 장치가 실제 데이터 처리 작업에 얼마나 유용할 수 있는지에 대한 기준 (Benchmark) 을 확립했습니다.
• 확장성 입증: 7 큐비트 하드웨어 구현에서 20 큐비트 시뮬레이션까지의 체계적인 진행을 통해 현재 능력과 근미래 확장성을 보여주었습니다.
• 실용적 접근: 복잡한 양자 알고리즘 개발을 위한 기초 구성 요소 (Building blocks) 로서, 머신러닝 및 컴퓨터 비전 작업에 대한 양자 접근법의 실현 가능성을 입증했습니다.
• 한계 및 향후 과제: 현재는 고전적 방법보다 양자 우위를 달성하지 못했으나, 하드웨어 성능 향상 (오류 정정 등) 에 따라 확장성 연구, 머신러닝 응용, 하이브리드 접근법 등으로 발전할 수 있는 토대를 마련했습니다.

요약하자면, 이 논문은 Monarq 프레임워크를 통해 NISQ 장치에서도 신호 및 이미지 처리 작업이 가능함을 기술적으로 입증하고, 향후 양자 데이터 처리 알고리즘 개발을 위한 실용적인 로드맵을 제시했습니다.