A Continuous-Variable Quantum Fourier Layer: Applications to Filtering and PDE Solving

이 논문은 연속 변수 (Continuous-Variable, CV) 양자 컴퓨팅 아키텍처 내에서 이산 푸리에 변환 (DFT) 을 수행하기 위한 새로운 계층인 CV 양자 푸리에 레이어 (CV-QFL) 를 제안합니다. 저자들은 고전적인 쿨리 - 튜키 (Cooley-Tukey, CT) 알고리즘의 구조가 CV 양자 회로 (특히 광자 기반 회로) 의 기본 연산과 자연스럽게 동형 (isomorphism) 임을 발견하고, 이를 활용하여 2 차원 스펙트럼 처리를 정밀하게 구현하는 방법을 제시합니다.

주요 내용은 다음과 같습니다.

---

1. 문제 제기 (Problem)

• 양자 머신러닝 (QML) 의 데이터 인코딩 한계: 기존의 QML 접근법은 주로 큐비트 기반이거나 1 차원 벡터 인코딩에 의존합니다. 편미분 방정식 (PDE) 해법이나 연산자 학습 (Operator Learning) 과 같이 2 차원 이상의 구조화된 필드 데이터를 다룰 때, 데이터를 양자 상태에 효율적으로 인코딩하고 2 차원 푸리에 변환을 수행하는 데 어려움이 있었습니다.
• 고전 FFT 와 양자 회로의 괴리: 고전적인 고속 푸리에 변환 (FFT) 은 쿨리 - 튜키 알고리즘을 통해 $O(N \log N)$의 복잡도로 수행되지만, 이를 양자 회로에 직접 매핑하여 2 차원 데이터를 처리하는 native 한 방법은 부족했습니다.
• 광학적 신호 처리의 필요성: 이미 광학 신호 (coherent light) 로 존재하는 데이터를 처리할 때, 고전 - 양자 변환 (encoding) 단계를 거치지 않고 직접 광자 회로에서 스펙트럼 처리를 수행할 수 있는 프레임워크가 필요했습니다.

2. 방법론 (Methodology)

저자들은 다음과 같은 세 가지 핵심 단계로 CV-QFL 을 구성했습니다.

A. 이분산 가우스 인코딩 (Bipartite Gaussian Encoding)

• 구조: 두 개의 레지스터 ($r_1, r_2$) 로 구성된 이분산 (bipartite) CV 아키텍처를 사용합니다.
• 인코딩 방식: 입력 행렬 $D \in \mathbb{R}^{m \times n}$을 특이값 분해 (SVD, $D = U \Sigma V^\top$) 를 통해 처리합니다.
  1. 특이값 임베딩: 특이값 $\sigma_k$를 두 모드 간의 2 모드 압착 (Two-Mode Squeezing, TMS) 게이트의 압착 파라미터로 변환하여, 두 레지스터 간의 교차 공분산 (cross-covariance) 블록에 인코딩합니다.
  2. 행렬 재구성: 단위 행렬 $U$와 $V$는 각각 두 레지스터에 적용되는 패시브 간섭계 (Passive Interferometers, 빔 스플리터 및 위상 시프터) 로 구현하여 원래 행렬 $D$의 구조를 복원합니다.
• 결과: 입력 행렬 $D$는 두 레지스터 간의 공분산 행렬의 교차 블록 ($\sigma_{x_{r1}x_{r2}}$) 에 정확히 매핑됩니다.

B. 쿨리 - 튜키 양자 푸리에 변환 (CT-based QFT)

• 구조적 동형성: 고전적인 CT 알고리즘의 '버터플라이 (butterfly)' 연산이 CV 회로의 빔 스플리터 (Beam Splitter) 와 위상 게이트 (Phase Gate) 조합으로 자연스럽게 구현됨을 증명합니다.
  • 각 버터플라이 노드는 위상 회전 ($R$) 과 빔 스플리터 ($BS$) 로 구성되며, 이는 고전 FFT 의 복소수 연산을 광학적으로 수행합니다.
• 2 차원 변환: 두 레지스터에 대해 독립적으로 1 차원 QFT 를 적용함으로써, 전체적으로 2 차원 DFT 를 수행합니다.
  • 수학적 결과: 변환 후 공분산 행렬의 교차 블록을 읽으면 $\hat{D} = F_m D F_n^\top$ (2 차원 DFT) 을 얻습니다.

C. 연산 복잡도

• 고전적인 2 차원 FFT 의 복잡도: $O(mn \log(mn))$
• 제안된 CV-QFL 의 복잡도: $O(m \log m + n \log n)$
  • 두 레지스터가 병렬로 처리되므로, 행과 열에 대한 변환이 독립적으로 수행되어 자원이 크게 절감됩니다.

3. 주요 기여 (Key Contributions)

1. 이분산 가우스 행렬 인코딩: 2 차원 행렬 데이터를 CV 시스템의 공분산 행렬 교차 블록에 정확히 매핑하는 물리적으로 구현 가능한 인코딩 방식을 제안했습니다.
2. CV-QFL 설계: 가우스 광자 아키텍처 내에서 2 차원 양자 푸리에 변환을 정확하게 수행하는 레이어를 설계했습니다.
3. 광학적 네이티브 처리: 고전 - 양자 변환 단계를 거치지 않고, 이미 광학 필드 형태로 존재하는 신호를 직접 처리할 수 있는 가능성을 제시했습니다.

4. 실험 결과 (Results)

저자들은 Strawberry Fields 시뮬레이터를 사용하여 두 가지 태스크로 CV-QFL 을 검증했습니다.

• 스펙트럼 저역 통과 필터링 (Spectral Low-Pass Filtering):

  • 64x64 크기의 잡음이 섞인 이미지를 처리했습니다.
  • CV-QFL 은 주파수 영역에서 특정 대역만 선택적으로 감쇠 (LossChannel 사용) 시켜 필터링을 수행했습니다.
  • 결과: 고전적인 FFT 기반 필터링과 비교하여 기계 정밀도 (machine precision, 약 $10^{-15}$) 수준의 오차로 동일한 결과를 얻었으며, 신호 대 잡음비 (SNR) 를 약 9.4 dB 향상시켰습니다.

• 2 차원 열 방정식 (Heat Equation) 해법:

  • 푸리에 영역에서 열 방정식을 해석적으로 풀기 위해, 각 모드에 지수 감쇠 인자 (propagator) 를 적용했습니다.
  • 결과: CV-QFL 을 통해 구현된 확산 (diffusion) 프로세스는 고전적인 의사 스펙트럴 (pseudospectral) 솔버와 부동 소수점 정밀도에서 완전히 일치했습니다.

5. 의의 및 전망 (Significance)

• 광학 네이티브 컴퓨팅: 이 프레임워크는 데이터가 이미 광학 신호 (coherent light) 로 존재하는 경우 (예: 간섭계, 파면 센서 등), 변환 없이 직접 양자 회로에서 스펙트럼 처리를 수행할 수 있게 합니다. 이는 하드웨어 네이티브 신경 연산자 (Neural Operator) 의 핵심 구성 요소가 될 수 있습니다.
• 양자 과학적 머신러닝: PDE 해법 및 연산자 학습 분야에서 2 차원 이상의 구조화된 데이터를 처리하는 새로운 패러다임을 제시합니다.
• 한계 및 향후 과제: 현재 제안된 아키텍처는 가우스 (Gaussian) 연산만 사용하므로 고전 컴퓨터로 시뮬레이션이 가능하여 '양자 우위 (Quantum Advantage)'를 주장하기는 어렵습니다. 향후 비가우스 (Non-Gaussian) 자원을 도입하여 진정한 양자 우위를 달성하고, 더 고차원적인 공간 - 시간 필드 처리로 확장하는 것이 향후 연구 방향입니다.

결론적으로, 이 논문은 쿨리 - 튜키 알고리즘과 CV 양자 회로의 구조적 유사성을 활용하여, 2 차원 데이터의 스펙트럼 처리를 위한 효율적이고 정밀한 양자 - 광학 레이어를 성공적으로 구현하고 검증했다는 점에서 의의가 큽니다.