기술 요약: 순수 상태 앙상블 생성을 위한 확률적 슈뢰딩거 확산 모델

1. 문제 제기

양자 머신 러닝 (QML) 에서 고전 데이터는 종종 양자 특징 공간을 활용하기 위해 양자 순수 상태 (전역 위상을 제외한 힐베르트 공간의 벡터) 로 인코딩됩니다. 양자 데이터가 부족할 때, 자연스러운 접근법은 근본적인 앙상블에서 새로운 상태를 샘플링하여 데이터 세트를 증강하는 것입니다. 그러나 고전 입력을 단순히 교란시키고 다시 인코딩하는 것은 종종 거의 직교하는 특징 상태나 붕괴된 얽힘 구조와 같은 병리적 양자 상태를 초래하여 학습 안정성과 일반화에 해를 끼칩니다.

이러한 도전 과제는 점수 기반 확산 모델을 양자 순수 상태 공간으로 확장하는 데 있습니다. 유클리드 공간과 달리, 순수 상태는 푸비니 - 스터디 (FS) 계량을 갖춘 복소 사영 다양체 $\mathbb{CP}^{d-1}$ 위에 존재합니다. 이러한 비유클리드 기하학은 두 가지 주요 장애물을 제시합니다:

1. 해석적 전이 밀도의 부재: 표준 점수 기반 학습에 필요한 전이 밀도는 일반적으로 $\mathbb{CP}^{d-1}$ 에서 닫힌 형식으로 구할 수 없습니다.
2. 기하학적 복잡성: 전방 확산, 점수, 그리고 역시간 샘플러를 정의하려면 다양체의 곡률과 전역 위상 불변성을 신중하게 처리해야 합니다.

기존의 "양자 확산" 접근법은 종종 데이터 증강을 위한 순수 상태 앙상블의 생성적 모델링보다는 잡음 채널을 통한 상태 복원이나 밀도 행렬 진동에 초점을 맞추고 있습니다.

2. 방법론: 확률적 슈뢰딩거 확산 모델 (SSDMs)

저자들은 $\mathbb{CP}^{d-1}$ 순수 상태 다양체 위에 직접 정의된 고유한 점수 기반 생성 프레임워크인 **확률적 슈뢰딩거 확산 모델 (SSDMs)**을 제안합니다.

2.1. 전방 확산 및 SSE 실현

이 프레임워크는 다양체 $(\mathbb{CP}^{d-1}, g_{FS})$ 위에서 연속 시간 전방 확산 $\{\psi_t\}_{t \in [0,T]}$을 구성합니다.

• 리만 OU 과정: 전방 과정은 시간 비동질 리만 오른슈타인 - 울렌벡 (OU) 확산으로 모델링됩니다:
  $$d\psi_t = b(\psi_t, t) dt + \sigma(t) dW^{(M)}_t$$
  여기서 $W^{(M)}_t$는 FS 계량 하에서의 다양체 위 브라운 운동이며, $b$는 드리프트 항 (예: 참조 상태로 끌어당기는 항) 입니다.
• 확률적 슈뢰딩거 방정식 (SSE) 실현: 이 다양체 확산을 물리적 양자 역학과 연결하기 위해 저자들은 힐베르트 구면에서의 SSE 실현을 제공합니다. 역학은 해밀토니안과 린드블라드와 같은 잡음 항을 포함하는 확률적 유니터리 진동에 의해 주도됩니다. 전역 위상을 몫으로 취하면, 이는 $\mathbb{CP}^{d-1}$ 에서 원하는 등방성 확산을 유도합니다.

2.2. 역시간 역학 및 리만 점수

리만 다양체 위 확산에 대한 시간 역전 이론에 기반하여, 역시간 과정도 동일한 확산 계수를 가지지만 수정된 드리프트를 갖는 $\mathbb{CP}^{d-1}$ 위의 확산입니다:
$$d\psi_t = \left( b(\psi_t, t) - \sigma(t)^2 \nabla_{FS} \log p_t(\psi) \right) dt + \sigma(t) d\bar{W}^{(M)}_t$$
여기서 $\nabla_{FS} \log p_t(\psi)$는 리만 점수로, FS 계량에 대한 로그 밀도의 기울기로 정의됩니다. 이 항은 간단한 사전 분포 (예: 클리포드 $t$-디자인 앙상블) 에서 데이터 분포로 생성 과정을 주도합니다.

2.3. 국소 시간 학습 목적

전이 밀도 $p_t(\psi)$와 전역 점수가 해석적으로 구할 수 없기 때문에, SSDM 은 국소 시간 학습 목적을 사용합니다:

1. 국소 근사: 점 $\phi$를 중심으로 한 푸비니 - 스터디 정규 좌표에서, 고유 다양체 확산은 작은 시간 단계 $\delta t$에 대해 1 차까지 국소 유클리드 OU/VP 근사를 허용합니다. 곡률 효과는 더 높은 차수에서만 나타납니다.
2. 해석적 교사 점수: 이 국소 근사는 접공간에서 닫힌 형식의 가우시안 조건부 밀도를 제공합니다. 이 가우시안의 로그 기울기는 정규 좌표에서 해석적 교사 점수를 제공합니다.
3. 다양체 매핑: 이 교사 점수는 로그 맵의 미분의 수반 $(d \log_\phi)^*_\psi$를 사용하여 다양체로 다시 매핑됩니다.
4. 학습: 점수 네트워크 $s_\theta(\psi, t)$는 짧은 시간 전이에서 유도된 해석적 교사 점수와 일치함으로써 실제 리만 점수를 근사하는 리만 탈노이즈 점수 일치 목적을 최소화하도록 학습됩니다.

2.4. 샘플링

샘플링은 다양체 위에서 학습된 역시간 SDE 를 적분하여 수행됩니다. 이 과정은 처리 가능한 사전 분포 (클리포드 $t$-디자인으로 근사됨) 에서 시작하여 국소 접 프레임에서 오일러 - 마리야마 방식을 사용한 후, $\mathbb{CP}^{d-1}$ 위로 투영하기 위해 재추출 (또는 지수 맵) 을 적용합니다.

3. 주요 기여

1. SSDM 프레임워크: $\mathbb{CP}^{d-1}$ 위의 양자 순수 상태 분포를 위한 점수 기반 생성 프레임워크 도입.
2. 고유 확산 설계: 확률적 슈뢰딩거 방정식 (SSE) 실현을 갖춘 리만 OU 전방 확산 설계로, 물리적 양자 궤적과 다양체 확산 사이의 연결 고리 확립.
3. 국소 시간 학습: FS 정규 좌표에서의 국소 유클리드 극한을 활용하여 해석적 교사 점수를 유도하고 닫힌 형식의 전역 전이 밀도 필요성을 우회하는 실용적인 학습 목적 제안.
4. 리만 점수 일반화: FS 계량 하에서 리만 점수에 의해 주도되는 역시간 역학 유도로, 유클리드 점수 기반 모델링을 양자 순수 상태 앙상블로 원리적으로 일반화.

4. 실험 결과

저자들은 $n=2, 4, 6$ 큐비트에 대한 순수 상태 앙상블 생성과 이를 하류 QML 작업에 활용하는 SSDM 을 평가했습니다.

• 생성 품질: SSDM 은 모든 시스템 크기에 걸쳐 유클리드 VP-SDE, 리만 점수 기반 생성 모델 (RSGM), QGAN, QuDDPM 을 포함한 기준 모델보다 일관되게 우수한 성능을 발휘했습니다.
  • 지표: SSDM 은 더 높은 상태 충실도 ($F_0$) 와 더 낮은 최대 평균 불일치 (MMD), 관측 불일치 ($\Delta_{obs}$), 그리고 얽힘 워터스테인 거리를 달성했습니다.
  • 기하학 영향: FS 기하학의 고유 모델링은 시스템 차원이 증가함에 따라 특히 유클리드 기준 모델보다 상당한 개선을 보여주었으며, $\mathbb{CP}^{d-1}$ 위에서 접점수를 고유하게 학습하는 것이 중요함을 확인시켰습니다.
• 국소 시간 감독: 제거 실험 (ablation studies) 은 유한 차분 근사나 국소 감독이 없는 모델에 비해 해석적 국소 시간 OU 교사 점수를 사용할 때 샘플링 품질이 크게 향상됨을 보여주었습니다.
• 하류 QML 유용성: 표현 수준 데이터 증강 작업에서 SSDM 으로 생성된 양자 상태는 제한된 라벨 데이터 하에서 커널 SVM, 변분 분류기 등의 하류 분류기의 일반화를 향상시켰으며, 이는 향상된 커널 정렬, 커널 갭, 평균 마진으로 입증되었습니다.

5. 중요성 및 주장

본 논문은 SSDM 이 양자 순수 상태 앙상블의 점수 기반 생성 모델링을 위한 물리적으로 근거 있고 기하학적으로 원리적인 경로를 제공한다고 주장합니다.

• 표현 수준 증강: 이 프레임워크는 특징 공간 내에서 직접 새로운 양자 표현을 생성하여, 고전 입력 교란의 병리적 현상 없이 QML 의 데이터 부족 문제를 해결합니다.
• 기하학적 필요성: 결과는 푸비니 - 스터디 기하학을 존중하는 것이 단순한 이론적 정교화가 아니라, 고차원 양자 상태 공간에서 안정적이고 정확한 샘플링을 위한 실용적 필요성임을 보여줍니다.
• 물리학과 머신 러닝의 연결: SSE 실현을 활용함으로써, 이 연구는 확률적 양자 역학과 현대 생성 모델링을 연결하여 곡선 다양체 위의 안정적인 전방 확산을 위한 유연한 설계 원리를 제공합니다.

저자들은 국소 교사 신호에 대한 작은 단계 근사에 대한 의존성, 현재 순수 상태 (혼합 상태 제외) 에만 초점을 맞춘 점, 힐베르트 공간의 지수적 성장과 $\mathbb{CP}^{d-1}$ 의 비선형 기하학에 내재된 확장성 문제 등 한계를 지적합니다. 그러나 그들은 SSDM 을 근미래 양자 시대에서 양자 상태 앙상블 시뮬레이션을 위한 효율적인 고전 대리 모델로 나아가는 기초적인 단계로 위치시킵니다.