Quantum Minimal Learning Machine: A Fidelity-Based Approach to Error Mitigation

1. 문제 정의 (Problem)

• 양자 하드웨어의 노이즈: 실제 양자 컴퓨팅 하드웨어에서 실행되는 양자 머신러닝 (QML) 모델은 하드웨어 노이즈로 인해 성능이 저하됩니다.
• 기존 방법의 한계: 기존 양자 k-최근접 이웃 (k-NN) 접근법들은 주로 고전 데이터를 기반으로 거리를 계산하는 데 중점을 두었으며, 양자 데이터 자체에서 직접 학습하는 방법은 부족했습니다.
• 오류 보정의 필요성: 노이즈 모델 (Noise Model) 을 정확히 알지 못하는 실제 환경에서, 노이즈가 포함된 양자 상태로부터 이상적인 (노이즈가 없는) 양자 상태를 복원하거나 학습할 수 있는 새로운 오류 보정 (Error Mitigation) 기법이 필요합니다.

2. 방법론 (Methodology)

2.1. 개념적 프레임워크: 양자 최소 학습 기계 (QMLM)

• 기반 모델: 고전적인 '최소 학습 기계 (Minimal Learning Machine, MLM)'를 양자 데이터에 적용합니다. MLM 은 입력 공간과 출력 공간 사이의 거리 행렬 간 선형 매핑을 학습하여 레이블을 예측하는 지도 학습 알고리즘입니다.
• 양자 데이터 표현:
  • 입력 (Input): 노이즈가 있는 양자 상태 (밀도 행렬 $\rho_{noisy}$) 또는 순수 상태 ($|\Psi\rangle$).
  • 출력 (Output): 이상적인 노이즈 없는 양자 상태 ($|\Psi_{ideal}\rangle$).
• 거리 측정 (Similarity Measure): 고전적인 유클리드 거리 대신 **양자 충실도 (Quantum Fidelity)**를 거리 측정치로 사용합니다.
  • 충실도 $F(|\Psi_i\rangle, |\Psi_j\rangle) = |\langle\Psi_i|\Psi_j\rangle|^2$는 두 상태의 유사성을 나타냅니다 (1 에 가까울수록 유사).
  • 입력 공간의 충실도 행렬 ($D_{HX}$) 과 출력 공간의 충실도 행렬 ($D_{HY}$) 간의 선형 관계를 학습합니다: $D_{HX} B = D_{HY}$.
  • 여기서 $B$는 최소제곱법 (Ordinary Least Squares) 또는 의사역행렬 (Pseudoinverse) 을 통해 학습된 매핑 행렬입니다.

2.2. 레이블 인코딩 전략

• 다중 레이블 분류를 위해 레이블 비트열을 양자 상태로 인코딩합니다.
• 비트가 0 이면 $|0\rangle$, 1 이면 $|+\rangle = \frac{1}{\sqrt{2}}(|0\rangle + |1\rangle)$ 상태로 매핑합니다.
• 이를 통해 두 레이블 간의 해밍 거리 (Hamming distance) 가 클수록 양자 상태 간의 충실도는 낮아지도록 설계하여, 고전적인 거리 개념을 양자 공간에 자연스럽게 확장했습니다.

2.3. 오류 보정 프로세스

1. 데이터셋 생성: 다양한 파라미터로 생성된 변분 양자 회로 (VQA) 의 이상적인 상태 (Ideal States) 와 이를 통해 생성된 노이즈가 포함된 상태 (Noisy States, 예: 디폴라라이징 노이즈) 를 쌍으로 구성합니다.
2. 학습: 입력 (노이즈 상태) 과 출력 (이상적 상태) 간의 충실도 행렬을 계산하고 매핑 행렬 $B$를 학습합니다.
3. 예측: 새로운 노이즈가 있는 테스트 상태가 들어오면, 학습된 $B$를 사용하여 해당 상태와 학습 데이터 간의 유사성을 매핑하고, 가장 높은 유사도를 보이는 이상적 상태를 예측합니다.

3. 주요 기여 (Key Contributions)

• 새로운 양자 학습 모델 제안: 고전적 MLM 을 양자 데이터에 적용한 'QMLM'을 최초로 제안했습니다. 이는 양자 상태 간의 충실도를 기반으로 한 유사성 학습을 가능하게 합니다.
• 노이즈 모델 불확실성 하의 오류 보정: 특정 노이즈 모델을 사전에 알지 못하더라도, 데이터 기반의 유사성 매핑을 통해 이상적인 양자 상태를 복원할 수 있음을 증명했습니다.
• 실제 구현 및 검증: Qiskit 및 QiskitAer 를 사용하여 디폴라라이징 노이즈 (Depolarizing Noise) 환경에서 모델을 시뮬레이션하고, 다양한 파라미터 (큐비트 수, 회전 각도 범위, Ansatz 레이어 수, 노이즈 수준) 에 따른 성능을 분석했습니다.

4. 실험 결과 (Results)

Qiskit 시뮬레이션을 통해 다음과 같은 결과를 도출했습니다:

• 데이터셋 크기와 큐비트 수: 학습 데이터셋의 크기가 증가할수록 예측 충실도 (Predicted Fidelity) 가 향상되지만, 큐비트 수가 증가 (힐베르트 공간 차원 증가) 할수록 동일한 성능을 내기 위해 더 많은 데이터가 필요함이 확인되었습니다.
• 파라미터 범위 ($\delta$) 와 표현력 (Expressibility):
  • 파라미터의 탐색 범위가 넓어지거나 (더 큰 $\delta$), Ansatz 레이어가 깊어질수록 (높은 표현력) 모델의 성능이 저하되었습니다. 이는 힐베르트 공간의 접근 가능한 영역이 넓어질수록 데이터가 희소해지기 때문입니다.
  • 게이트 오류가 누적될 가능성이 높은 깊은 회로에서는 성능이 더 크게 떨어졌습니다.
• 노이즈 수준: 노이즈 수준이 높아질수록 상태들이 서로 더 유사해져 (모든 상태가 최대 혼합 상태에 가까워짐) 학습할 정보가 줄어들어 성능이 감소했습니다.
• 성능 한계: 양자 커널 방법과 마찬가지로 지수적 집중 (Exponential Concentration) 문제 (고차원 공간에서 충실도 행렬의 비대각 성분이 0 에 수렴하는 현상) 에 직면할 수 있으나, 파라미터 범위를 제한함으로써 이를 완화할 수 있음을 보였습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용성: QMLM 은 노이즈가 있는 실제 양자 하드웨어에서 생성된 데이터로부터 이상적인 상태를 학습할 수 있는 잠재력을 보여주며, 오류 보정 (Error Mitigation) 을 위한 새로운 패러다임을 제시합니다.
• 확장성: 현재는 제한된 힐베르트 공간 영역에서 유효하지만, 향후 오류 정정 (Fault-tolerant) 양자 컴퓨터가 등장하면, 양자 데이터에서 직접 특징을 학습하는 범용적인 접근법으로 발전할 수 있습니다.
• 향후 과제:
  • 단순한 최근접 이웃 방식에서 가중 평균 등 더 정교한 후처리 기법 도입.
  • 실제 양자 하드웨어에서의 실행 (단, 스왑 테스트 등 충실도 측정 자체가 노이즈에 영향을 받을 수 있으므로 이를 보정하는 방법 필요).
  • 더 복잡한 실제 노이즈 모델에 대한 검증.

이 논문은 고전적 머신러닝 아이디어를 양자 영역으로 성공적으로 확장하여, 노이즈가 있는 양자 컴퓨팅 시대에 데이터 기반 오류 보정 전략의 가능성을 입증했다는 점에서 의의가 있습니다.