QCNN with Rough Path Signature Kernels

기술 요약: Rough Path Signature 커널을 이용한 QCNN

문제 정의
시계열 분석은 시계열 데이터의 시간 재매개변수화(time reparametrization) 불변성이라는 근본적인 과제에 직면해 있습니다. 명시적인 시간 매개변수에 의존하는 표준 머신러닝 모델은 데이터가 임의의 가속, 감속 또는 비선형 왜곡을 겪을 때 유의미한 특징을 추출하는 데 어려움을 겪습니다. Rough Path Theory는 "시그니처(signature)" 변환을 통해 이 문제를 해결합니다. 시그니처는 반복 적분(iterated integrals)의 무한 차원 특징 벡터로, 본질적으로 시간 재매개변수화에 불변합니다. 그러나 이러한 특징을 직접 계산하는 것은 계산적으로 매우 비용이 많이 듭니다. 항의 개수는 경로의 차원과 절단 차수(truncation order)에 따라 기하급수적으로 증가합니다. 시그니처 커널(시그니처의 내적)은 두 번째 차수 쌍곡형 편미분 방정식(PDE)을 푸는 방식으로 명시적인 특징 계산을 우회할 수 있는 방법을 제공하지만, 이 PDE의 유한 차분 스킴에서 파생된 이산화된 커널의 선형 시스템은 여전히 거대하고 희소하여 대규모 응용 분야에서 병목 현상을 일으킵니다.

방법론
저자들은 Rough Path Signature와 양자 합성곱 신경망(QCNN)을 통합하여 시계열 분류를 해결하기 위해 설계된 하이브리드 양자-고전 아키텍처를 제안합니다. 이 파이프라인은 두 가지 주요 단계로 구성됩니다:

1. 시그니처 커널 계산 (특징 레이어):
   핵심 혁신은 참조 경로(reference path)와 대상 경로(target path) 사이의 시그니처 커널을 계산하는 것입니다. 커널은 Goursat 문제(특정 PDE)의 해로 정의됩니다. 저자들은 이 PDE의 유한 차분 스킴으로부터 유도된 이산화된 선형 시스템($Ax=b$)을 해결하기 위해 두 가지 방법을 탐구합니다:

• 변분 양자 선형 솔버 (VQLS): 매개변수화된 양자 상태에 솔루션을 인코딩하는 양자 접근 방식입니다. 행렬 $A$는 유니터리들의 선형 결합으로 분해되며, 타겟 상태와의 중첩을 최소화하기 위해 로컬 비용 함수를 사용하여 하드웨어 효율적인 안사츠(단일 큐비트 $Y$ 회전과 CNOT 게이트의 교대 레이어)를 최적화합니다.
• 고전적 솔버: 베이스라인이자 실용적인 대안으로서, 저자들은 커널을 평가하기 위해 고전적 수치 솔버(특히 sigkernel 라이库)를 사용합니다.

2. 양자 분류 (QCNN 레이어):
   계산된 커널 특징은 QCNN에 입력됩니다. 저자들은 필기 숫자(0과 1)의 이진 분류 작업을 위해 세 가지 특정 아키텍처 구성을 조사합니다:

• 표준 (Standard): 원시 픽셀 데이터를 8-큐비트 레지스터에 인코딩합니다.
• 순수 커널 치환 (Pure Kernel Substitution): 전체 시그니처 커널 행렬(플래튼화됨)이 이미지 데이터를 대신하여 8-큐비트 QCNN의 입력으로 사용됩니다.
• 보조 큐비트 퓨전 (Auxiliary Qubit Fusion): 다중 모달 접근 방식으로, 원래의 이미지 데이터는 8개의 큐비트에 인코딩되는 한편, 단일 스칼라 값(전체 경로 상호작용을 나타내는 커널 행렬의 우하단 요소)은 매개변수화된 $R_Y$ 회전을 통해 9번째 보조 큐비트에 인코딩됩니다.

주요 기여 및 실험 설정
저자들은 MNIST 데이터셋(숫자 0과 1의 부분 집합을 시간 순서가 있는 스트로크 시퀀스로 변환)을 사용한 이진 분류 작업을 통해 이 아키텍처들을 평가합니다. 실험은 Qiskit을 사용한 양자 회로와 QCNN 최적화를 위한 PennyLane을 사용하여 노이즈 없는 상태 벡터 시뮬레이터에서 수행되었습니다.

• VQLS 확장성 분석: 저자들은 VQLS 구성 요소를 엄격하게 테스트했습니다. 그 결과, VQLS는 고도로 압축된 경로(34 타임 스텝)에 대해서는 수렴하지만, 현실적인 샘플 크기(예: 56 타임 스텝)로 확장하는 데는 실패한다는 것을 발견했습니다. 시스템 차원은 $O(T^2)$로 스케일링되며, 행렬 조건수 $\kappa$가 급격히 팽창하여 최적화 지형을 비볼록(non-convex)하게 만들고 중첩 충실도(overlap fidelity)의 저하를 초래합니다. 결과적으로 저자들은 VLS가 심각한 손실 압축 없이는 다중 샘플 훈련 루프에 현재로서 실행 불가능하다고 결론지었습니다.
• 아키텍처 비교: VLS의 제한 사항으로 인해, 후속 성능 벤치마크에는 고전적 커널 평가가 사용되었습니다. 연구는 "Standard" 이미지 전용 모델과 "SigKernel"(순수 커널) 및 "SigKernel aux qubit"(퓨전) 모델을 다양한 합성곱 안사츠(UTTN, 휴리스틱 회로 U5–U15, 그리고 군론적 USO(4)/USU(4))에 대해 비교했습니다.

결과

• VLS 제한 사항: VLS 접근 방식은 현재 큐비트 수 요구 사항(최소 10개의 완전 연결 큐비트 필요)과 조건수의 급격한 팽창으로 인해 매우 압축된 시퀀스에 국한됩니다. 이는 최적화 도구가 지역 최솟값(local minima)에 갇히게 만듭니다.
• 분류 성능: 시그니처 커널 특징의 포함은 테스트된 다양한 QCNN 아키텍처에서 뚜렷한 성능 향상을 제공했습니다. 특히, 보조 큐비트 퓨전 아키텍처는 대부분의 테스트된 안사츠에서 순수 커널 치환 모델보다 일관되게 우수한 성능을 보였습니다. 이는 원래의 공간적 이미지 구조를 유지하면서 경로 시그니처를 직교하는 보조 양자 특징으로 통합하는 것이 공간 데이터를 완전히 커널 행렬로 대체하는 것보다 더 효과적인 전략임을 시사합니다.
• 데이터 제약: 실험을 위해 8-큐비트 레지스터 제약에 맞추기 위해 입력 경로를 16개 지점(15개 시간 간격)으로 다운샘플링해야 했습니다. 저자들은 이 과정이 견고한 분류에 필요한 미세한 기하학적 뉘앙스를 잠재적으로 버리는 트레이드오프를 발생시킨다는 점을 인정합니다.

의의 및 주장
본 논문은 양자 강화 시계열 분석을 위한 개념 증명(proof-of-concept)으로서 이 연구의 위치를 설정합니다. 저자들은 이 프레임워크가 경로 시그니처 커널 레이어를 양자 회로 내에 구현하는 것의 잠재적 이점을 성공적으로 입증했으며, 특히 하이브리드 클래식-양자 워크플로우를 통해 통합될 때 하이브리드 아키텍처가 시그니처의 시간 재매개변수화 불변성을 활용하여 분류 정확도를 개선할 수 있음을 보여주었다고 주장합니다.

그러나 저자들은 현재 기술의 상태에 대해 신중한 어조를 유지합니다. 그들은 VLS 구성 요소의 계산적 한계가 현재로서는 시그니처 커널에 대한 엔드 투 엔드 양자 가속을 방해하고 있다고 명시적으로 밝힙니다. 이 연구의 의의는 Rough Path Theory와 QCNN 사이의 수학적 및 아키텍처적 가교를 구축했다는 데 있으며, 완전한 양자 가속은 아직 실현 가능하지 않더라도 시그니처 커널이 제공하는 구조적 사전 지식(structural priors)이 하이브리드 고전-양자 워크플로우를 통해 통합될 때 양자 분류기를 의미 있게 개선할 수 있음을 강조하는 데 있습니다. 저자들은 향후 연구 방향으로 VLS 학습 가능성 개선(예: QAOA 기반 안사츠 사용)과 다중 클래스 분류 및 실제 노이즈가 있는 하드웨어로의 확장을 제시했습니다.