Research progress on quantum neural networks and quantum machine learning

이 서베이 논문은 다양한 양자 신경망 구조의 연구 진척도를 검토하고, 이들이 머신러닝 역량을 강화하기 위해 양자 역학을 어떻게 활용하는지 입증하고자 각 구조의 고유한 강점, 약점 및 성능 지표를 분석한다.

핵심

큰 그림: 새로운 종류의 두뇌

당신이 거대한 퍼즐을 풀려고 노력하고 있다고 상상해 보세요. 당신에게는 망치와 드라이버가 있는 전통적인 도구 상자(고전 컴퓨터)가 있습니다. 이 도구들은 훌륭하지만, 퍼즐이 너무 거대하고 복 복잡해지면서 도구들이 힘에 부치기 시작했습니다.

이 논문은 완전히 새로운 도구 상자인 **양자 신경망(QNN)**에 대한 조사 보고서입니다. 표준적인 망치를 사용하는 대신, 이 도구들은 양자 역학의 기묘하고 마법 같은 규칙(예를 들어, 사물이 동시에 두 곳에 존재하거나 방 저편과 즉각적으로 연결되는 현상 등)을 사용하여 퍼즐을 더 빠르고 더 잘 해결합니다.

저자들은 단순히 "양자는 마법이다"라고 말하는 것이 아닙니다. 그들은 현재 만들어지고 있는 다양한 종류의 양자 도구들을 분류하고, 어떻게 훈련시키는지, 어디에서 잘 작동하는지, 그리고 어디에서 막히는지에 대해 기록하고 있습니다.

---

1. 이 "양자 두뇌"는 어떻게 작동하는가

일반적인 컴퓨터에서 데이터는 마치 전등 스위치의 줄(0 또는 1)과 같습니다. 양자 컴퓨터에서 데이터는 앞면과 뒷면이 동시에 존재하는 회전하는 동전과 같습니다.

• 인코딩(Encoding): 양자 두뇌를 사용하려면, 일반적인 데이터(예: 고양이 사진)를 회전하는 동전 상태로 변환해야 합니다. 이를 "인코딩"이라고 합니다.
• 프로세싱(Processing): 양자 두뇌는 특수한 게이트(동전을 비트는 것과 같은)를 사용하여 이 회전하는 동전들을 조작합니다.
• 리딩(Reading): 마지막으로, 동전의 회전을 멈추고 그것이 무엇(앞면 또는 뒷면)에 착지했는지 확인하여 답을 얻습니다.

주의할 점: 논문은 큰 장애물을 언급합니다. 사진을 회전하는 동전으로 바꾸고 결과를 읽어내는 데는 시간과 노력이 필요합니다. 만약 양자 부분이 일반적인 부분보다 훨씬 더 빠르지 않다면, 현재로서는 전체 과정이 오히려 더 느려질 수도 있습니다. 하지만 미래에 더 나은 양자 컴퓨터를 갖게 된다면, 이는 바뀔 수 있습니다.

---

2. 다양한 종류의 양자 도구들

이 논문은 서로 다른 양자 네트워크를 마치 서로 다른 종류의 탈것처럼 가족 단위로 분류합니다.

• 완전 연결 QNN (FCQNNs): 이들은 양자 세계의 "세단"이라고 생각하면 됩니다. 모든 부분이 서로 소통하는 가장 기본적이고 표준적인 모델입니다. 유연하지만, 제어 장치가 매우 민민하게 반응하기 때문에 운전(훈련)하기가 어려울 수 있습니다.
• 양자 합성곱 신경망 (QCNNs): 이들은 "오프로드 트럭"입니다. 패턴을 포착하도록 설계되었습니다(예: 군중 속에서 얼굴 인식하기). 이들은 특별한 기술을 사용합니다: 시스템의 일부를 측정하고 그 결과를 사용하여 나머지를 조정합니다. 이 방식은 매우 효율적이며 노이즈(소음) 속에서 길을 잃을 가능성이 적습니다.
• 등변 QNN (EQNNs): 형태를 바꾸는 로봇을 상상해 보세요. 로봇을 회전시켜도 여전히 같은 로봇이라는 것을 알고 있습니다. 이 네트워크들은 대칭성을 이해하도록 구축되었습니다. 이미지를 회전시켜도, 네트워크는 사진이 돌아갔다고 해서 답이 바뀌어서는 안 된다는 것을 압니다. 이 덕분에 더 적은 데이터로도 학습하는 데 매우 뛰어납니다.
• 양자 호프필드 네트워크 및 볼츠만 머신: 이들은 "메모리 뱅크"와 같습니다. 비지도 학습에 탁-월합니다. 즉, 라벨이 없는 데이터 더미를 보고 스스로 숨겨진 패턴을 찾거나 항목들을 그룹화할 수 있습니다. 마치 몇 마디의 음을 듣고 노래를 기억해내는 당신의 뇌처럼 말이죠.
• 양자 레저보어 컴퓨팅 (QRC): 이것은 "메아리 방"과 같습니다. 데이터라는 소리를 복잡한 방(양자 시스템)에 던져 넣고, 그 소리가 어떻게 메아리치는지 듣는 것입니다. 방을 직접 만들 필요 없이, 소리가 자연스럽게 튕겨 나가는 방식을 사용하여 날씨 예측과 같은 시간 기반 문제를 해결합니다.

---

3. "평탄한 사막" 문제 (Barren Plateaus)

이것은 논문에서 가장 중요한 경고입니다.

당신이 집을 짓기 위해 골짜기의 가장 낮은 지점을 찾으려고 노력하고 있다고 상상해 보세요. 일반적인 컴퓨터에서는 경사를 느끼며 아래로 내려갈 수 있습니다.
하지만 거대한 양자 네트워크에서는 지형이 종종 거대하고 완벽하게 평평한 사막으로 변합니다. 어느 방향으로 발을 내디뎌도 땅의 느낌이 똑같습니다. 어느 쪽이 "내리막"인지 알 수 없습니다.

• 원인: 시스템에 더 많은 "동전(큐비트)"을 추가할수록, 경사를 찾을 확률은 극도로 낮아져 사실상 제로에 가까워집니다.
• 결과: 컴퓨터는 갇혀버립니다. 개선되고 있는지 악화되고 있는지 알 수 없기 때문에 학습을 할 수 없습니다.
• 해결책: 논문은 이러한 "평탄한 사막"을 피하기 위해 특정 형태의 네트워크(앞서 언급한 QCNN 같은)를 사용하거나, 네트워크를 너무 깊지 않게(얕게) 유지할 것을 제안합니다.

---

4. 고급 팀 결합

논문은 또한 복잡한 업무를 위해 이러한 양자 도구들이 어떻게 결합되는지도 살펴봅니다.

• 양자 강화 학습 (QRL): 이것은 로봇 개에게 걷는 법을 가르치는 것과 같습니다. 로봇은 시도를 하고, "간식(보상)"을 받거나 "찌릿함(벌)"을 받으며 배웁니다. 양자 네트워크는 로봇이 더 빨리 배울 수 있도록 과거의 단계를 더 잘 기억하도록 도울 수 있습니다.
• 양자 생성 학습 (QGL): 이것은 위조범과 탐정이 벌이는 게임과 같습니다. 위조범(생성자)은 진짜처럼 보이는 가짜 예술품을 만들려고 노력합니다. 탐정(판별자)은 가짜를 찾아내려고 노력합니다. 위조범이 너무 뛰어나서 탐정이 구별할 수 없을 때까지 이 게임은 계속됩니다. 양자 네트워크는 이 게임이 훨씬 빠르게 일어나도록 만들 수 있습니다.
• 양자 전이 학습 (QTL): 이것은 숙련된 요리사의 레시피(거대한 데이터셋으로 훈련된 모델)를 가져와서 새로운 요리를 만들기 위해 약간 수정하는 것과 같습니다. 양자 네트워크를 처음부터 훈련시키는 대신(매우 어렵습니다), 이미 많은 것을 알고 있는 고전적 네트워크를 가져와서 새로운 작업에 적응시키기 위한 작은 양자 "마무리 터치"를 사용하는 것입니다.

---

5. 현실 점검

저자들은 현재 상태에 대해 매우 솔직합니다.

1. 우리는 "노이즈" 시대에 있습니다: 현재의 양자 컴퓨터는 잡음이 많은 오래된 라디오와 같습니다. 실수를 저지릅니다.
2. 시뮬레이션 vs 현실: 현재 이러한 네트워크 중 상당수는 양자인 척하는 일반 컴퓨터에서 테스트되고 있습니다. 시뮬레이션에서는 잘 작동하지만, 실제 노이즈가 있는 하드웨어에서 실행하는 것은 여전히 매우 어렵습니다.
3. "고전적" 보너스: 아직 완벽한 양자 컴퓨터를 갖지 못하더라도, 이 연구의 아이디어들은 일반적인 고전 컴퓨터를 개선하는 데 도움을 주고 있습니다. 예를 들어, 양자 네트워크를 설명하는 데 사용되는 수학은 더 나은 표준 AI를 구축하는 데 영감을 주는 새로운 방법들을 만들어내고 있습니다.

요약

이 논문은 "양자 머신러닝" 영역의 지도입니다. 이 논문은 우리에게 다음과 같이 알려줍니다:

• 우리가 만들고 있는 다양한 탈것들(QNN 유형)이 여기 있습니다.
• 우리가 마주한 지형(훈련 방법과 "평탄한 사막" 문제)이 여기 있습니다.
• 우리가 막혀 있는 지점(하드웨어 노이즈와 현재의 실제 양자 우위 부족)이 여기 있습니다.
• 미래(고전과 양자가 섞인 하이브리드 모델, 그리고 고전 AI를 개선하기 위해 양자 수학을 사용하는 것)가 여기 있습니다.

핵-심은 우리가 아직 완전히 도달한 것은 아니지만, 이 연구가 견고한 토대를 구축하고 있다는 것입니다. 설령 "양자 우위"(고전 컴퓨터를 이기는 것)를 달emma는 데 시간이 걸리더라도, 새로운 수학적 아이디어들은 이미 우리의 현재 기술을 더 똑똑하게 만들고 있습니다.

기술 요약

기술 요약: 양자 신경망 및 양자 머신러닝에 관한 연구 진행 현황

1. 문제 정의

본 논문은 데이터 볼륨의 기하급수적인 증가로 인해 발생하는 복잡한 작업(데이터 분석, 패턴 인식, 최적화 등)을 처리하기 위한 효율적인 머신러ền 솔루션에 대한 수요가 급증하고 있음을 다룹니다. 고전적 신경망(NN)은 이러한 분야에 혁명을 일으켰으나, 고차원 데이터와 복잡한 최적화 문제를 다룰 때 계산 효율성과 확장성 측면에서 상당한 한계에 직면해 있습니다.

핵심 과제로 식별된 것은 양자 역학적 원리(특히 중첩, 얽힘, 유니터리 진화)를 활용하여 잠재적으로 고전적 모델을 능가할 수 있는 **양자 신경망(QNN)**의 개발입니다. 그러나 이 분야는 다음과 같은 실질적인 장애물에 직면해 있습니다:

• 학습의 어려움: 기울기 소실(Barren Plateaus, 불모지 문제), 국소 최솟값(Local Minima), 그리고 고전적 데이터를 양자 상태로 인코딩하는 데 드는 높은 비용 등의 문제입니다.
• 하드웨어 제약: 결맞음(Decoherence) 및 제한된 큐비트 수와 같은 현재의 노이즈 중간 단계 양자(NISQ) 장치의 한계입니다.
• 구조적 다양성: 다양한 QNN 구조와 다양한 학습 패러다임(지도 학습, 비지도 학습, 강화 학습, 생성 학습, 전이 학습)에 대한 구체적인 적용 가능성에 대한 체계적인 분류의 부재입니다.

2. 방법론

본 논문은 문헌 조사 및 검토 방법론을 채택하여 QNN 및 양자 머신러닝(QML)에 관한 기존 문헌을 체계적으로 분류하고 분석합니다. 저자들은 구조적 요구 사항과 학습 작업에 따라 분야를 조직합니다:

• 구조적 분류: 본 리뷰는 QNN을 기본 및 특화 아키텍처로 분류합니다:
  • 완전 연결 QNN (FCQNN): 특별한 구조적 제약이 없는 기본 아키텍처입니다.
  • 양자 합성곱 신경망 (QCNN) 및 양자 소산 신경망 (QDNN): 큐비트 수를 줄이고 특징을 추출하기 위해 측정 기반 회전 또는 개방형 시스템 역학을 활용하는 아키텍처입니다.
  • 등변 QNN (EQNN): 일반화 성능과 학습 가능성을 높이기 위해 대칭군(Symmetry groups)에 의해 제약된 네트워크입니다.
  • 양자 홉필드 네트워크 (QHN) 및 양자 볼츠만 머신 (QBM): 비지도 학습 및 연상 기억을 위한 Ising 유형 게이트에 기반한 모델입니다.
  • 양자 레저버 컴퓨팅 (QRC): 시간적 패턴 학습을 위해 고정된 양자 역학을 활용합니다.
• 학습 방법론: 양자 시스템에 맞춤화된 최적화 기법을 검토하며, 다음을 구분합니다:
  • 기울기 기반 방법: 유한 차분(FD), 파라미터 시프트 규칙(PSR), 양자 자연 경사 하강법(QNGD).
  • 기울기 비기반 방법: 동시 섭동 확률 근사(SPSA), 유전 알고리즘(GA), 입자 군집 최적화(PSO).
• 복합 아키텍처: 기본 QNN이 어떻게 결합되어 고급 패러다임을 형성하는지 검토합니다:
  • 양자 강화 학습 (QRL): 환경과 상호작용하는 에이전트.
  • 양자 생성 학습 (QGL): 적대적 학습 (QGANs).
  • 양자 전이 학습 (QTL): 소스 도메인과 타겟 도메인을 정렬하며, 주로 하이브리드 양자-고전 스킴을 통해 수행됩니다.
• 이론적 분석: Barren Plateau(불모지) 문제를 조사하여, 그 공식적 정의, 입증된 사례(예: 깊은 회로, 글로벌 관측량), 그리고 고전적 시뮬레이션 가능성과의 관계를 분석합니다.

3. 주요 기여

본 논문은 QNN 분야의 체계적이고 방법론적인 흐름을 제공하며, 다음과 같은 핵심 기여를 합니다:

• 통합된 분류 체계: 구조적 요구 사항(유니터리성, 측정, 대칭성, 소산)과 다양한 학습 작업에서의 역할을 기준으로 QNN 구조(FCQNN, QCNN, EQNN, QHN, QBM, QRC)를 명확하게 분류합니다.
• 학습 전략 분석: 다양한 최적화 알고리즘의 트레이드오프를 상세히 설명합니다. 즉, PSR은 정확한 기울기를 제공하지만 파라미터 수에 따라 선형적으로 확장되는 반면, SPSA는 노이즈에 강하지만 세심한 하이퍼파라미터 튜닝이 필요함을 강조합니다.
• Barren Plateau 통찰: 고전적 기울기 소실과 양자 불모지(Barren plateaus)의 차이점을 명확히 합니다. 저자들은 깊은 회로와 글로벌 관측량을 가진 회로에서 불모지 문제가 발생한다는 엄격한 증명을 제시하는 한편, QCNN(로컬 관측량 및 로그 깊이 활용)과 같은 아키텍처는 이를 피할 수 있음을 보여줍니다.
• 고전적 시뮬레이션 가능성과의 연결: 불모지 문제를 피하는 아키텍처(QCNN 등)가 고전 컴퓨터에 의해 효율적으로 시뮬레이션될 수 있다는 점을 논의함으로써, 학습 가능성과 양자 우위 사이의 잠재적 트레이드오프를 제시하는 중요한 이론적 기여를 합니다.
• 하이브리드 패러다임: NISQ 시대에 하이브리드 양자-고전 접근 방식(예: 특징 추출에는 고전 NN을 사용하고 최종 분류에는 QNN을 사용하는 방식)의 실질적인 지배력을 강조하며, 특히 전이 학습과 생성적 적대 신경망에서 이를 강조합니다.
• 새로운 방향 제시: Pauli Basis Neural Networks (PBNNs)와 같이 모델을 Pauli 기대값의 선형 결합으로 매개변수화하여 고전과 양자의 표현력 사이의 가교를 제공하는 새로운 개념을 소개합니다. 또한, 자기 지도 학습(JEPA)에서 불모지 문제를 "안티 콜랩스(anti-collapse)"를 위한 자원으로 활용할 수 있는 역설적인 가능성을 탐구합니다.

4. 결과 및 발견

본 서베이는 수많은 연구 결과를 종합하여 다음과 같은 결론을 도출합니다:

• 성능:
  • QCNNs는 우수한 확장성($O(\log n)$ 깊이)을 보여주며, 불모지 문제를 피하는 것으로 증명되었습니다. 또한 MNIST 및 Fashion-MNIST 데이터셋에서 고전적 모델보다 적은 파라미터로 높은 정확도를 달もの했습니다.
  • EQNNs는 대칭 제약을 통합함으로써 샘플 효율성과 일반화 성능을 향상시키며, 특정 대칭군 내에서 불모지 문제를 효과적으로 완화합니다.
  • QRC는 자연스러운 해밀토니안 역학을 사용하여 시간적 작업(예: 카오스 시계열 예측)에서 성공을 거두었으며, 종종 더 적은 자원으로 선형 모델을 능가합니다.
  • 하이브리드 QTL 스킴은 의료 영상 및 산업 검사 분야에서 완전히 고전적이거나 완전히 양자적인 모델에 비해 현저히 적은 학습 데이터와 파라미터로 최첨단 정확도를 달성했습니다.
• 한계점:
  • Barren Plateaus는 깊고 무작위적인 매개변수화 회로를 확장하는 데 있어 여전히 주요 장애물로 남아 있습니다.
  • 고전적 시뮬레이션 가능성: 특정 학습 가능한 QNN(QCNN 등)이 고전적으로 시뮬레이션 가능하다는 발견은, 학습 가능성이 반드시 양자 우위를 보장하는 것은 아니라는 점을 시사합니다.
  • 하드웨어 노이즈: QDNN과 같은 일부 아키텍처는 노이즈 탄력성을 갖도록 설계되었지만, 대부분의 현재 구현은 완전한 양자 학습이 노이즈가 있는 하드웨어에서 실행 불가능한 경우가 많기 때문에 하이브리드 방식을 의존합니다.
• 학습 역학: SPSA 및 진화 전략과 같은 기울기 비기반 방법은 수렴 속도는 느릴 수 있지만, 노이즈에 대한 견고함과 해석적 기울기가 필요 없다는 점 때문에 NISQ 장치에 더 실용적인 경우가 많습니다.

5. 의의 및 주장

본 논문은 단일한 새로운 알고리즘을 제안하기보다는 포괄적인 개요를 제공하는 데 목적을 둡니다. 그 의의는 다음과 같습니다:

• 분야의 체계화: QNN의 다양한 지형을 구조와 응용에 따라 분류하는 구조적 프레임워크를 제공하여, 연구자들이 특정 작업에 적합한 모델을 선택하는 데 도움을 줍니다.
• 이론과 실제의 가교: 이론적 한계(불모지, 시뮬레이션 가능성)와 실제 구현(하이브리드 스킴, NISQ 응용)을 모두 논의함으로써, QML의 현재 상태에 대한 현실적인 평가를 제공합니다.
• 고전적 혁신의 영감 제공: 저자들은 두 가지 측면의 의의를 주장합니다:
  1. 양자 컴퓨팅을 위해: 실무자들이 현재의 양자 플랫폼(예: 얕은 회로, 로컬 비용 함수, 하이브리드 모델 우선순위 지정)을 활용하는 방법을 안내합니다.
  2. 고전적 머신러닝을 위해: 양자 역학의 수학적 구조(예: Pauli 기저 확장, 곱셈 레이어 상호작용)가 새로운 비가산적(non-additive) 고전 신경망 아키텍처를 영감받아 새로운 이점을 제공할 수 있음을 시사합니다.
• 신중한 전망: 본 논문은 "양자 우위"에 대해 신중한 어조를 유지합니다. QNN이 이론적 잠재력을 가지고 있음에도 불구하고, 실제적인 이점은 노이즈와 자원 제약으로 인해 현재 하드웨어에서는 제한적임을 인정합니다. 저자들은 즉각적인 영향이 결함 허용(fault-tolerant) 장치에서의 완전한 양자 솔루션보다는 양자 영감을 받은 고전 알고리즘과 하이브리드 모델에서 올 것이라고 강조합니다.

결론적으로, 본 논문은 QNN의 미래가 균형 잡힌 접근 방식에 있다고 주장합니다. 즉, 새로운 양자 아키텍처를 지속적으로 개발하는 동시에, 양자의 수학적 통찰력을 새로운 고전 모델로 변환하여, 결함 허용 양자 하드웨어의 타임라인과 관계없이 발전을 보장하는 것입니다.