Layered Quantum Architecture Search for 3D Point Cloud Classification

1. 문제 정의 (Problem)

양자 머신러닝 (QML) 은 고차원 힐베르트 공간에서 중첩과 얽힘을 활용하여 기존 신경망 이상의 표현력을 가질 수 있지만, 실제 작업에 적용하기에는 몇 가지 근본적인 한계가 존재합니다.

• 아키텍처 설계의 부재: 기존 딥러닝은 합성곱 (Convolution) 이나 어텐션 (Attention) 과 같은 표준화된 계층과 귀납적 편향 (Inductive Bias) 을 가지고 있지만, 파라미터화된 양자 회로 (PQC) 는 이러한 표준화된 빌딩 블록이 부족합니다.
• ** barren plateau (황량한 대지) 문제:** PQC 의 표현력이 높을수록 손실 함수의 기울기가 평평해져 최적화가 불가능해지는 현상이 발생합니다.
• 비선형성 부족: PQC 는 주로 선형 변환으로 구성되어 있어, 고전적 딥 네트워크의 핵심인 비선형 활성화 함수가 부재합니다.
• 3D 점 구름 분류의 난이도: 자율주행, 로봇공학 등에서 중요한 3D 점 구름 데이터는 불규칙하고 고차원적이며 밀도와 해상도가 다양하여, 이를 효과적으로 처리할 수 있는 강력한 양자 모델 설계가 필요합니다. 기존 연구 (예: sQCNN-3D) 는 양자 회로를 단순한 특징 추출기로만 사용하고 분류는 고전적 네트워크에 의존하여 양자 모델의 잠재력을 충분히 활용하지 못했습니다.

2. 방법론 (Methodology)

저자들은 계층적 양자 아키텍처 검색 (Layered-QAS) 을 제안하여 PQC 아키텍처를 자동으로 설계하고 3D 점 구름 분류를 수행하는 전체 파이프라인을 구축했습니다.

A. 데이터 인코딩 (Amplitude Encoding)

• 3D 점 구름 데이터를 양자 상태 벡터로 인코딩하기 위해 진폭 인코딩 (Amplitude Encoding) 을 사용합니다.
• 점 구름을 3D 보크셀 (Voxel) 로 분할하고, 각 보크셀 내 점의 밀도를 계산하여 정규화된 상태 벡터 $|\psi\rangle$ 로 변환합니다.
• 이 과정에서 $k$ 개의 보크셀 해상도를 사용하여 $3k$ 개의 큐비트를 사용합니다 (예: $k=3$ 일 때 9 큐비트).

B. 계층적 양자 아키텍처 검색 (Layered-QAS)

전통적인 QAS(초회로 기반, 진화적, 강화학습 기반) 의 한계를 극복하기 위해 고전적 네트워크 모피즘 (Morphism) 에서 영감을 받은 점진적 성장 전략을 사용합니다.

1. 초기화: 단순한 항등 회로 (Identity circuit) 로 시작합니다.
2. 계층 추가 (Progressive Growth):
   • 매 세대마다 기존 회로에 새로운 계층 (Layer) 을 추가합니다.
   • 단일 큐비트 계층: Pauli $R_X, R_Y, R_Z$ 회전 게이트 적용.
   • 얽힘 계층 (Entangling): 큐비트 쌍 간의 제어 회전 ($CR_X$) 을 도입하여 표현력 향상.
   • 가지치기 계층 (Pruning): 파라미터 값이 임계치 (예: $\pi/10$) 이하인 게이트를 제거하여 불필요한 복잡성을 줄이고 barren plateau 를 완화합니다.
3. 평가 및 선택:
   • 여러 후보 계층을 짧은 기간 (몇 에포크) 훈련하여 검증 세트 성능을 평가합니다.
   • 가장 성능이 좋은 계층을 선택하여 다음 세대의 회로에 반영합니다.
   • 이전 세대의 파라미터는 유지하면서 (Warm-start) 새로운 계층만 훈련하여 효율성을 높입니다.

C. 분류 파이프라인

• 인코딩된 데이터를 PQC 를 통과시킨 후, 각 큐비트를 $X, Y, Z$ 베이스에서 측정하여 기대값을 추출합니다.
• 추출된 특징은 최대 하나의 고전적 선형 계층 (Fully Connected Layer) 을 거쳐 클래스로 분류됩니다.
• 핵심 차별점: 기존 연구와 달리 양자 회로가 특징 추출과 분류의 주체 역할을 하며, 고전적 부분은 최소화됩니다.

3. 주요 기여 (Key Contributions)

1. 새로운 Layered-QAS 정책 제안: 수동 시행착오를 피하고 작업에 적응된 PQC 설계를 자동화하는 새로운 검색 전략을 제시했습니다. 이는 Lamarckian 진화 기반의 LEMONADE 아이디어를 양자 회로에 적용한 것입니다.
2. 완전 양자 기반 3D 분류 프레임워크: 3D 점 구름 데이터를 진폭 인코딩하고, 양자 회로가 직접 분류를 수행하는 (최소한의 고전적 후처리만 존재) 엔드 - 투 - 엔드 양자 분류 파이프라인을 구축했습니다.
3. 성능 입증: ModelNet10 및 ModelNet40 데이터셋에서 기존 양자 기반 방법 (sQCNN-3D) 과 고전적 CNN 베이스라인을 능가하는 결과를 달성했습니다.

4. 실험 결과 (Results)

실험은 ModelNet10(10 클래스) 과 ModelNet40(40 클래스) 데이터셋에서 시뮬레이터 환경에서 수행되었습니다.

• 성능 비교:
  • 제안된 Layered-QAS 모델은 기존 양자 방법인 sQCNN-3D 와 단순 Vanilla CNN 보다 높은 정확도를 기록했습니다.
  • ModelNet10 에서 Layered-QAS(20 세대) 는 검증 정확도 93%, 테스트 정확도 85% 를 달성했습니다.
  • sQCNN-3D 는 각각 79%, 72% 에 그쳤으며, 파라미터 수 대비 성능 (Parameter-efficiency) 면에서도 우월했습니다.
• 검색 전략 비교:
  • 제안된 계층적 검색은 진화적 검색 (Evolutionary Search) 및 국소 검색 (Local Search) 보다 우수한 성능을 보였습니다.
  • 특히, 마지막 고전적 선형 계층을 고정 (Frozen) 했을 때에도 PQC 자체가 유의미한 특징을 학습했음을 확인했습니다 (Layered-QAS 는 약 78% 검증 정확도 달성, sQCNN-3D 는 17.4% 에 그침). 이는 양자 회로의 표현력이 매우 높음을 시사합니다.
• Ablation Study:
  • 가지치기 (Pruning) 를 통해 게이트 수를 줄여도 정확도는 유지되거나 오히려 향상되었습니다.
  • 보크셀 해상도 ($k$) 가 증가할수록 정확도가 향상되었으나, $k=3$ 이상에서는 체감 효과가 감소했습니다.

5. 의의 및 결론 (Significance)

• 양자 아키텍처 설계의 패러다임 전환: PQC 설계에 대한 수동적 접근을 넘어, 작업별 최적 아키텍처를 자동으로 탐색하는 체계적인 방법론을 제시했습니다.
• Barren Plateau 완화: 점진적인 계층 추가와 가지치기 전략을 통해 훈련 가능성 (Trainability) 을 높이고 barren plateau 문제를 완화하는 데 성공했습니다.
• 실용적 가능성: 3D 점 구름과 같은 구조화되고 복잡한 도메인에서 양자 머신러닝이 고전적 방법과 경쟁할 수 있음을 입증했습니다.
• 미래 과제: 현재 모델은 선형 연산이 주를 이루고 측정만이 비선형성이므로 표현력의 한계가 존재합니다. 향후 중간 측정 (Intermediate measurements) 을 통한 비선형성 도입이나 더 많은 큐비트를 활용한 이진 인코딩 연구가 필요하다고 결론지었습니다.

이 논문은 양자 하드웨어의 발전과 함께, 효율적이고 강력한 양자 신경망 아키텍처를 자동 설계할 수 있는 중요한 발걸음을 내딛은 연구로 평가됩니다.