Support Vector Machine with a Scalable Quantum Kernel

이 논문은 전통적인 충실도(fidelity) 양자 커널의 지수적 집중 문제를 극복하기 위해 전체 측정 통계량을 활용하는 확장 가능한 후처리 방법인 해밍 양자 커널을 소개하며, 추가적인 양자 자원을 요구하지 않고도 15개 이상의 큐비트를 가진 데이터셋에서 충실도 기반 및 고전적 가우시안 커널보다 우수한 성능을 입증한다.

핵심

컴퓨터에게 패턴을 인식하는 법, 예를 들어 숫자 "0"과 "6"의 그림을 구별하는 법을 가르치려 한다고 상상해 보세요. 이를 위해 컴퓨터는 **서포트 벡터 머신(Support Vector Machine, SVM)**이라는 도구를 사용합니다. SVM은 두 그룹을 구분하기 위해 모래 위에 선을 긋는 아주 똑똑한 심판이라고 생각하면 됩니다.

심판이 최선의 선을 그릴 수 있도록 돕기 위해, 이 도구는 "커널(kernel)"을 필요로 합니다. 커널은 두 아이템을 보고 "이 두 개가 얼마나 유사한가?"를 결정하는 특별한 돋보기와 같습니다.

문제점: "충실도(Fidelity)" 렌즈가 흐려지다

오랫동안 과학자들은 양자 컴퓨터를 위한 특정 유형의 돋보기인 **충실도 양자 커널(Fidelity Quantum Kernel, FQK)**을 사용해 왔습니다.

• 작동 방식: 이 돋보기는 두 데이터 포인트를 보고 "이 두 양자 상태가 정확히 일치하는가?"를 물었습니다. 그리고 얼마나 겹치는지에 따라 "예" 또는 "아니요"라는 단일 점수를 주었습니다.
• 문제점: 양자 컴퓨터가 커짐에 따라(양자 컴퓨터의 원자 같은 역할을 하는 '큐비트'가 늘어남에 따라), 이 돋경시는 믿을 수 없을 정도로 흐려지기 시작했습니다.
• 비유: 조용한 방 안에서 속삭임을 듣는 것은 쉽습니다. 하지만 이제 10,000명이 비명을 지르는 경기장 안에서 똑같은 속삭임을 들어야 한다고 상상해 보세요. 속삭임(신호)이 소음 속에 파묻혀 버립니다.
• 결과: 대규모 양자 시스템에서 FQK 렌즈는 너무 흐려져서 더 이상 "0"과 "6"의 차이를 구분할 수 없게 되었습니다. 그냥 모든 것을 "무작위 소음"으로 보게 된 것입니다. 이를 **지수적 집중(exponential concentration)**이라고 부릅니다. 이는 거대한 양자 컴퓨터를 만든다 해도, 이 특정 도구는 제대로 작동하지 않을 것임을 의미했습니다.

해결책: "해밍(Hamming)" 렌즈

이 논문의 저자들은 새로운 도구인 **해밍 양자 커널(Hamming Quantum Kernel, HQK)**을 도입했습니다. 그들은 기존의 돋보기를 버린 것이 아니라, 그것을 통해 보는 방식을 바꾼 것입니다.

두 대상이 "정확히 똑같은가?"(소란스러운 경기장에서 듣기 어려운 것)라고 묻는 대신, HQK는 "얼마나 가까운가?"를 묻습니다.

• 비유: 군중 속에 있는 두 사람을 보고 있다고 상상해 보세요.
  • 기존 방식 (FQK): 당신은 오직 그들의 얼굴만 봅니다. 만약 그들이 정확히 똑같은 모자를 쓰고 있지 않다면, 당신은 그들이 완전히 다르다고 말합니다. 군중이 커질수록 당신은 모자를 명확히 볼 수 없게 되고, 결국 포기하게 됩니다.
  • 새로운 방식 (HQK): 당신은 사람의 전체 모습을 봅니다. 그들이 비슷한 신발을 신고 있고, 비슷한 셔츠를 입고 있으며, 같은 구역에 서 있다는 것을 알아차립니다. 설령 모자가 약간 다르더라도, 당신은 "헤이, 이 두 사람은 분명히 같은 그룹 출신이야!"라고 깨닫게 됩니다.
• 기술적 작동 방식: 단순히 하나의 특정 결과(예: "모든 값이 0인가?")만을 확인하는 대신, HQK는 결과의 전체 분포를 살펴봅니다. 이는 두 측정값 사이의 비트(0과 1)가 얼마나 다른지를 계산합니다. 매우 유사한 결과에는 더 많은 가중치를 주고, 서로 많이 다른 결과에는 더 적은 가중치를 줍니다.

연구 결과

연구진은 이 새로운 방법을 두 가지 유형의 데이터로 테스트했습니다:

1. 실제 데이터: 손으로 쓴 숫자 그림 (유명한 MNIST 데이터셋).
2. 합성 데이터: 다른 양자 회로에 의해 생성된 패턴.

그들은 2 큐비트의 아주 작은 시스템부터 27 큐비트의 꽤 큰 시스템에 이르기까지 다양한 양자 시스템에 대한 시뮬레이션을 실행했습니다.

• 결과: 시스템이 작을 때는 모든 방식이 잘 작동했습니다. 하지만 15 큐비트 이상에 도달하자, 기존의 FQK 방식은 무너졌고 무작위로 추측하기 시작했습니다.
• 승자: 새로운 **해밍 양자 커널(HQK)**은 완벽하게 작동을 유지했습니다. 렌즈가 흐려지지 않았습니다. 실제로 합성 양자 데이터에 대해서는 가장 우수한 표준 "고전적"(비양자적) 방식보다도 더 뛰어난 성능을 보였습니다.

핵심 요약

이 논문은 양자 컴퓨터에서 나오는 데이터를 처리하는 더 똑똑한 방법(단 하나의 픽셀이 아닌 전체 그림을 보는 것)을 사용함으로써, "흐릿한 렌즈" 문제를 해결했다고 주장합니다.

• 추가 하드웨어 불필요: 그들은 더 크거나 더 나은 양자 컴퓨터를 필요로 하지 않았습니다. 단지 결과를 읽는 더 나은 방법이 필요했을 뿐입니다.
• 확장성: 이 새로운 방식은 양자 기계 학습이 학습 능력을 잃지 않고 더 큰 시스템에서도 실제로 작동할 수 있게 해줍니다.

요약하자면, 그들은 양자 컴퓨터의 "귀"를 더 날카롭게 만들어, 군중이 가득한 경기장 속에서도 신호를 들을 수 있게 함으로써 이전의 방식들이 실패했던 복잡한 데이터를 효과적으로 분류할 수 있는 방법을 찾아낸 것입니다.

기술 요약

기술 요약: 확장 가능한 양자 커널을 적용한 서포트 벡터 머신(Support Vector Machine)

문제 정의
양자 서포트 벡터 머신(QSVM)은 데이터를 고차원 힐베르트 공간으로 매핑하기 위해 양자 생성 커널에 의존하며, 이는 이론적으로 고전적 방법론에 비해 이점을 제공한다. 그러나 표준적인 접근 방식인 충실도 양자 커널(Fidelity Quantum Kernel, FQK)은 "지수적 집중(exponential concentration)"이라 불리는 치명적인 확장성 장벽에 직면한다. 큐비트 수($n$)가 증가함에 따라, 서로 다른 양자 상태 간의 중첩(overlap)은 지수적으로 감소한다($\sim 2^{-n}$). 결과적으로 커널 행렬의 성분들은 단일 값(일반적으로 오프-대각 성분의 경우 0)으로 수렴하게 되며, 이는 커널 행렬을 항등 행렬과 구별할 수 없게 만든다. 이러한 현상은 데이터 포인트 간의 차이를 식별하기 위해 지수적인 수의 측정 샷(measurement shots)을 필요로 하며, 결과적으로 소규모 큐비트 시스템을 넘어 효율적으로 확장하는 것을 방해하고 더 큰 데이터셋에서 낮은 일반화 성능을 초래한다.

방법론
FQK의 한계를 해결하기 위해, 저자들은 **해밍 양자 커널(Hamming Quantum Kernel, HQK)**을 제안한다. 오직 모든 비트가 0인 상태($|0\dots0\rangle$)를 측정할 확률에만 의존하여 상태 중첩을 추정하는 FQK와 달리, HQK는 양자 회로에서 생성된 전체 측정 통계량을 활용한다.

핵심 방법론은 다음과 같은 단계로 구성된다:

1. 상태 인코딩: 입력 데이터 포인트 $x_i$와 $x_j$는 매개변수화된 양자 회로(구체적으로 ZZ-커널 안사츠)를 사용하여 양자 상태 $|\psi(x)\rangle = U(x)|0\rangle^{\otimes n}$로 인코딩된다.
2. 측정: 회로 $U^\dagger(x_i)U(x_j)$가 실행되고, 결과 비트스트링들이 측정된다.
3. 분포 기반 후처리: 모든 결과 중 $|0\dots0\rangle$ 문자열만을 제외하고 버리는 대신, HQK는 측정된 모든 비트스트링 $b$를 해밍 가중치(Hamming weight) $h(b)$(문자열 내 1의 개수)에 따라 그룹화한다.
4. 커널 계산: 커널 성분은 다음과 같이 비트스트링의 확률에 가중치를 부여한 합으로 계산된다:
   $$\kappa_{HQK}(x_i, x_j) = \sum_{b} |\langle b|U^\dagger(x_i)U(x_j)|0\rangle^{\otimes n}|^2 e^{-\lambda h(b)}$$
   여기서 $\lambda$는 조절 가능한 하이퍼파라미터이다.
   • $\lambda \to \infty$로 갈수록, HQK는 표준 FQK(즉, $h(b)=0$에 집중)로 수렴한다.
   • $\lambda \to 0$으로 갈로는, 커널은 모두 1인 행렬에 가까워진다.
   • 중간 단계의 $\lambda$ 값은 해밍 가중치가 낮은 비트스트링들의 분포를 활용할 수 있게 한다. 이들은 유사한 상태들에 대해 더 높은 확률을 가지며, 이를 통해 $n$이 증가하더라도 신호 강도를 유지한다.

주요 기여

• 확장성: HQK는 단일 충실도 값 대신 전체 측정 통계량을 활용함으로써 지수적 집중 문제를 완화한다. 이를 통해 추가적인 양자 자원이나 복잡한 하이브리드 최적화 루프 없이도 더 큰 큐비트 규모에서 효과적으로 작동할 수 있다.
• 고전적 후처리: 이 방법은 해밍 가중치 분포를 활용하여 유사도 측정을 높이는 특정 고전적 후처리 함수를 도입하며, 훈련 단계에서 커널 정렬(kernel alignment)이나 반복적인 파라미터 최적화를 요구하지 않는다.
• 강건성: 이 접근 방식은 특정 데이터셋 구조에 의존하기보다 측정 결과의 통계적 특성에 기반하도록 설계되어 문제 불가지론적(problem-agnostic)이다.

결과
저자들은 두 가지 데이터셋을 사용하여 HQK를 표준 FQK 및 고전적 RBF(Radial Basis Function) 가우시안 커널과 비교 평가하였다:

1. 고전적 데이터 (MNIST): 손글씨 숫자(0 vs 1, 0 vs 6, 홀수 vs 짝수)를 PCA를 통해 2에서 27 차원으로 다운샘플링하였다.
   • $n < 15$인 경우, 모든 커널이 유사하게 수행되었다.
   • $n \ge 15$인 경우, FQK의 정확도는 지수적 집중으로 인해 급격히 떨어져 무작위 추측 수준에 근접했다.
   • HQK는 안정적인 정확도를 유지하며, FQK를 능가하고 고전적 RBF 커널의 성능에 근접하는 모습을 보였다.
2. 합성 양자 데이터: 두 개의 서로 다른 양자 회로($V_0$ 및 $V_1$)를 통해 생성된 데이터(4~27 큐비트)를 사용하였다.
   • HQK는 모든 큐비트 수에 대해 FQK와 고전적 RBF 커널을 일관되게 능가하였다.
   • 결정적으로, 큰 $n$에 대해 HQK는 이론적 최대치(구별 가능성 한계)에 가까운 테스트 정확도를 달성한 반면, FQK와 RBF 커널은 상당한 성능 저하나 정체를 보였다.

의의 및 주장
본 논문은 해밍 양자 커널이 확장 가능한 양자 머신러닝을 위한 실질적인 경로를 제공한다고 주장한다. 충실도 기반 커널에 내재된 지수적 집중을 피함으로써, HQK는 결함 허용(fault-tolerant) 하드웨어나 추가적인 양자 자원 없이도 15개 이상의 큐비트 시스템에서 효과적으로 작동할 수 있게 한다.

저자들은 HQK가 더 큰 규모에서 양자 커널의 표현력과 강건성을 향상시킨다고 단언한다. 특히, 이 방법은 양자 생성 데이터에서 표준 양자 커널 및 고전적 커널을 모두 능가하는 결정적인 우위를 입증하였다. 최적의 하이퍼파라미터 $\lambda$는 다양한 데이터셋에서 일관되게 약 0.1으로 나타났으며, 이는 이 방법이 광범위한 교차 검증 없이도 효율적으로 배포될 수 있음을 시사한다. 본 연구는 결론적으로 HQK가 대규모 설정이나 자원이 제한된 환경에서 FQK를 대체할 강력한 후보이며, 양자 측정 통계량의 완전한 힘을 활용하는 확장 가능한 대안임을 제시한다.