Leveraging Metrologically Useful States in Quantum Reservoir Networks

기술 요약: 잠재 공간 PDE 예측을 위한 양자 레저보어 네트워크에서의 메트롤로지(측정학)적으로 유용한 상태 활용

문제 정의
고차원 1차원 쿠라모토-시바신스키(Kuramoto-Sivashinsky, KS) 시스템과 같은 혼돈적 편미분 방정식(PDE)의 예측은 양자 컴퓨팅에 있어 상당한 도전 과제를 안겨준다. 기존 방식들은 입력 데이터의 차원 문제와 노이즈가 있는 중규모 양자(NISQ) 하드웨어의 제약이라는 장벽에 부딪힌다. 고차원 데이터를 양자 회로에 임베딩하는 것은 어려운데, 진폭 임베딩(amplitude embedding)은 로그 스케일링을 제공하지만 지속적인 메모리를 가진 레저보어 컴퓨팅에 필요한 연속적인 양자 상태 진화를 촉진하지 못한다. 반면, 각도 임베딩(angle embedding)은 연속적인 진화에는 더 적합하지만, 현재 하드웨어에서 가용 가능한 큐비트 수의 제한으로 인해 고차원 입력을 처리하는 데 어려움이 있다. 또한, 기존의 양자 레저보어 컴퓨팅(QRC) 구현은 종종 저차원 시스템에 집중하거나, 복잡한 혼돈 역학을 표현하기에 충분한 표현력이 부족할 수 있는 희소 유니터리(sparse unitaries)를 사용한다.

방법론
저자들은 KS 시스템의 잠재 공간 표현을 예측하기 위해 설계된 하이브리드 클래식-양자 프레임워크를 제안한다. 이 아키텍처는 두 가지 주요 구성 요소로 이루어져 있다:

1. 클래식 오토인코더(Classical Autoencoder): 128개의 자유도(DOF)를 가진 KS 시스템과 현재 큐비트 제한 사이의 차원 불일치를 해결하기 위해 컨볼루션 오토인코더가 사용된다. 이 네트워크는 128차원 입력 데이터를 4차원 잠재 공간 표현으로 압축한다. 오토인코더는 시그모이드 활성화 함수를 사용하여 잠재 변수를 $[0, 1]$ 구간 내로 제한하며, 이는 양자 네트워크의 가중치 초기화 방식과 일관성을 보장한다.
2. 양자 레저보어 네트워크(QRN): 압축된 잠재 데이터는 QRN으로 전달된다. 저자들은 이전 문헌[3]에서 발견된 표준 QRN 설계를 다음과 같이 몇 가지 아키텍처적 수정 사항을 도입했다:
   • 메트롤로지적으로 유용한 상태 준비: 시스템을 표준 $|0\rangle^{\otimes n}$ 상태로 초기화하는 대신, 네트워크는 매 타임스텝마다 시작 시 GHZ(Greenberger-Horne-Zeilinger) 유니터리를 적용한다. 이는 대칭적인 중첩 상태 $(|0\rangle^{\otimes n} + |1\rangle^{\otimes n})/\sqrt{2}$를 생성하며, 이는 계산 기저(computational basis) 전체에 진폭을 더 균등하게 분산시키고 정확한 확률 밀도 재구성을 위해 필요한 측정 횟수를 줄일 것으로 가설이 세워졌다. 이 접근 방식은 양자 메트롤로지에서 GHZ 상태와 관련된 하이젠베르크 스케일링 민감도를 활용한다.
   • 표현력 있는 임베딩: 입력 임베딩 방식은 모든 단일 큐비트 회전 게이트에 고유한 가중치를 사용한다. 2-큐비트 게이트(CNOT 제외)는 입력 의존적 회전과 바이어스 회전을 모두 받는다.
   • 가중치 초기화: 특정 초기화 방식은 진정한 다입자 얽힘(genuine multipartite entanglement) 생성을 보장한다. 가중치는 개별 데이터 포인트가 네트워크를 과도하게 교란하는 것을 방지하기 위해 데이터 차원과 재업로딩 블록 수에 의해 스케일링된 균등 분포에서 샘플링된다.
   • 하드웨어 최적화: 회로 설계는 제어 회전(CRZ) 레이어에서 인접하지 않은 연산을 제거하여 IBM Heron QPU에 최적화하고, SWAP 연산의 필요성을 없앴다.
   • 약한 측정 방식(Weak Measurement Scheme): 네트워크는 매 타임스텝마다 "리드아웃(Readout)" 큐비트에 대해 부분 측정을 수행하는 동시에 "메모리(Memory)" 큐비트는 유지 및 리셋하는 순환 구조를 채택하여 시스템의 메모리를 보존한다.

주요 기여

• 새로운 상태 준비: 매 타임스텝마다 GHZ 상태 준비를 QRN에 통합하여 정보 처리 능력과 민감도를 높이기 위한 "메트롤로지적으로 유용한 상태"를 생성했다.
• 하이브리드 PDE 예측: 클래식 차원 축소(오토인코더)와 양자 레저보어 네트워크를 결합하여 128차원 혼돈 KS 시스템을 예측하는 데 성공했다.
• 아키텍처 개선: 2-큐비트 게이트에 입력 의존적 회전을 도입하고 다입자 얽힘을 보장하는 특정 가중치 초기화 방식을 도입하여, 더 표현력 있는 입력-출력 매핑을 실현했다.
• 메트롤로지 분석: QRN 구성의 양자 피셔 정보(QFI)를 조사하여, 성능 향상을 GHZ 상태의 메트롤로지적 특성과 연결 지었다.

결과
제안된 방법은 Aer 시뮬레이터를 사용하여 DGX-A6000 클러스터에서 16-큐비트 회로를 통해 평가되었다.

• 예측 정확도: GHZ 상태 준비를 적용한 QRN은 테스트 세트 잠재 공간에 대해 0.0162의 제곱평균제곱근 오차(RMSE)를 달성했다. 이 낮은 오차 덕분에 디코더는 원래의 KS PDE를 매우 높은 정확도로 재구성할 수 있었으며, 실제 값(ground truth)과 거의 대등한 성능을 보였다.
• 베이스라인과의 비교:
  • 대안적 QRN 대비: GHZ가 활성화된 QRN은 다른 QRN 구현들(GHZ가 없는 경우, 희소 QRN, 무작위 상태 준비를 사용하는 경우 포함)보다 한 자릿수 더 높은 성능을 보였다.
  • 클래식 에코 상태 네트워크(ESN) 대비: 8개 및 256개의 노드를 가진 클래식 ESN과 비교했을 때, QRN은 우수한 일반화 능력을 입증했다. 특히, QRN은 편향되지 않은 선형 회귀(unbiased linear regression)를 사용하여 규제(regularization) 없이도 최상의 성능을 달성한 반면, 클래식 ESN은 과적합을 방지하기 위해 릿지 규제(ridge regularization)가 필요했다.
• 시간 지평(Time-Horizon) 스케일링: 예측 시간 지평이 $t+1$에서 $t+10$으로 확장됨에 따라, QRN은 특히 규제가 없는 설정에서 클래식 모델들보다 더 나은 일반화 성능을 유지했다.
• 양자 피셔 정보(QFI): 분석 결과, GHZ 상태 준비를 갖춘 QRN은 희소 QRN 및 표준 QRN에 비해 파라미터당 개선된 QFI를 나타냈으며, 이는 메트롤로지적으로 유용한 상태가 네트워크의 민감도를 높인다는 가설을 뒷받침한다.
• 샷 스케일링(Shot Scaling): 성능 분석에 따르면, GHZ 활성화 QRN은 다른 구성들에 비해 정확한 분포로 수렴하는 데 더 적은 샷(shots)을 필요로 했으나, 대부분의 회로에서 500,000 샷 이상에서는 성능 이득이 정체되었다.

의의 및 주장
본 논문은 제안된 하이브리드 접근 방식이 고차원 혼돈 PDE 예측 과제를 해결하기 위해 클래식 머신러닝과 양자 메트롤로지의 발전을 성공적으로 활용했다고 주장한다. 저자들은 메트롤로지적으로 유용한 상태(GHZ 상태)를 QRN 내에서 사용하는 것이 표준 QRC 설계 및 특정 클래식 대응 모델에 비해, 특히 규제 없는 일반화 측면에서 실질적인 성능 향상을 제공한다고 주장한다.

그러나 저자들은 광범위한 함의에 대해 신중한 태도를 유지한다. 그들은 클래식 오토인코더의 사용이 혼돈적인 KS 시스템의 역학을 "근사적 선형화(near-linearization)"하는 것처럼 보인다는 중요한 주의사항을 강조한다. 이 선형화는 예측 과제를 단순화하여, QRN의 성공이 양자적 특성 때문인지 아니면 단순화된 잠재 공간 때문인지 격리하여 판단하기 어렵게 만들 수 있다. 저자들은 더 많은 큐비트를 처리할 수 있는 미래의 결함 허용(fault-tolerant) 양자 컴퓨터가 등장하면 오토인코더를 제거할 수 있을 것이며, 이를 통해 고차원 시스템을 직접 예측하고 양자 이점을 더 명확하게 평가할 수 있을 것이라고 제안한다. 본 연구는 양자 머신러닝 파이프라인을 향상시키기 위해 메트롤로지 원칙을 활용하는 개념 증명 역할을 한다.