기술 요약: 스펙트럼 호모토피(Spectral Homotopy)를 통한 양자 데이터 재업로딩 분류기의 푸리에 잠금(Fourier Locking) 극복

1. 문제 정의

데이터 재업로딩 매개변수화 양자 회로(DRU-PQC)는 순차적인 데이터 주입을 통해 심층 신경망을 모사함으로써 복잡하고 비선형적인 결정 경계를 모델링할 수 있는 이론적 범용 함수 근사기이다. 그러나 이들의 높은 표현력은 고도로 진동하는 비볼록(non-convex) 손실 지형을 생성하여 경사 하강법 기반 최적화를 방해한다.

최근 문헌들은 이러한 아키텍처의 학습 실패를 "바렌 플레이토(barren plateaus)"(무작위한 표현력으로 인해 기울기가 소실되는 현상)나 불충분한 용량 때문이라고 설명하지만, 본 논문은 주요 병목 현상이 **푸리에 잠금(Fourier Locking, FL)**이라 명명된 독특한 구조적 실패 모드라고 주장한다. DRU-PQC에서 인코딩 가중치(입력 주파수를 선택함)와 얽힘 레이어(양자 정보를 라우팅함)는 비선형적으로 결합되어 있다. 고주파 타겟에 대해 무작위로 초기화될 경우, 옵티마이저는 인코딩 파라미터를 고립된 가짜 지역 최솟값(spurious local minima)으로 수렴시키곤 한다. 일단 "잠금(locked)" 상태가 되면, 인코딩 가중치는 타겟 결정 경계와 어긋난 주파수 스펙트럼을 선택하게 된다. 결과적으로 얽힘 레이어는 실질적으로 존재하지 않는 신호를 효과적으로 라우팅할 수 없게 되며, 이는 모델이 파라미터에 대한 완전한 기하학적 민감도를 유지하고 있음에도 불구하고 실패하게 만드는 원인이 된다.

2. 방법론 및 이론적 프레임워크

진단 지표

저자들은 표준 기울기 크기나 파라미터 공간의 양자 피셔 정보 행렬(QFIM)만으로는 푸리에 잠금을 진단하기에 불충분하다고 제안한다. 대신, 두 가지 특정 피셔 진단법을 활용한다:

1. 입력 공간 양자 피셔 정보($F_x$): 인코딩된 상태의 유효 주파수 콘텐츠(입력 데이터에 대한 푸비니-스터디 감수성)를 측정한다. 잠긴 회로에서 $F_x$는 초기화 시점의 어긋난 값에 고정되어 움직이지 않는다.
2. 피셔 판별 비율(Fisher Discriminant Ratio, FDR): 측정된 특징과 클래스 레이블 간의 정렬도를 측정한다. 잠긴 회로에서 FDR은 0으로 붕괴하며, 이는 상태가 입력에 따라 진동하지만 레이블에는 매핑되지 못하는 "클래스 퇴화 판독(class-degenerate readout)"을 나타낸다.

결정적으로, 저자들은 갇힌 회로가 비퇴화(non-degenerate) 파라미터 공간 QFIM을 유지한다는 점을 입증함으로써, 실패의 원인이 기하학적 민성(geometric insensitivity)이 아니라 **스펙트럼 불일치(spectral misalignment)**에 있음을 증명한다.

실험 설계

본 연구는 $L=2$의 재업로딩 레이어와 50개의 학습 가능한 파라미터(양자 40개, 고전 10개)를 가진 4-큐비트 DRU-PQC를 채택하였다. 옵티마이저의 이봉 분포(bimodal probability space)인 '갇힘(trapped)' 대 '탈출(escaped)' 상태를 매핑하기 위해 50개의 독립적인 무작위 시드에 걸쳐 실험을 수행하였다.

핵심 개입 전략은 타겟 주파수($f$)를 저주파에서 고주파로 단계적으로 조절하는($f: 1.0 \to 2.0 \to 3.0$) **스펙트럼 호모토피(Spectral Homotopy)**이다. 이 접근 방식은 초기 손실 지형을 볼록하게 만들어, 고주파 어트랙터(attractor)가 나타나기 전에 결합된 파라미터들이 타겟 주파수 대역으로 이동할 수 있도록 하는 것을 목표로 한다.

대조군 조건은 다음과 같다:

• 표준 학습 (STD): 고주파 타겟($f=3.0$)에 직접 학습.
• 라우팅 절제 연구 (Routing Ablations): 얽힘 레이어를 사전 정렬(Identity 초기화 또는 결합된 웜업)하는 것이 무작위 초기화된 인코딩 상태를 구제할 수 있는지 테스트.
• 역방향 커리큘럼 (Reverse Curriculum): 주파수를 고주파에서 저주파로 학습($3.0 \to 1.0$)하여 가역성을 테스트.
• 무작위 커리큘럼 (Random Curriculum): 데이터 다양성 효과를 제어하기 위해 주파수 단계를 무작위로 배치.

3. 주요 결과

푸리에 잠킹의 진단

• 판독 붕괴 (Readout Collapse): 갇힌 회로는 피셔 판별 비율(FDR)이 0으로 붕괴하는 현상을 보였으며($r_{pb} = 0.912, p < 0.001$), 이는 판독 단계에서의 레이블 정렬 실패를 확인시켜 준다.
• 스펙트럼 부동성 (Spectral Immobility): 갇힌 회로의 결정적 징후는 유효 주파수 콘텐츠($F_x$)의 변화가 없다는 점이었다. 갇힌 회로는 훈련 내내 정적인, 어긋난 $F_x$를 유지한 반면, 탈출한 회로는 주파수 콘텐츠를 유의미하게 이동시켰다($r_{pb} = -0.48, p < 0.001$).
• 파라미터 민감도: 바렌 플레이토 가설과 달리, 갇힌 회로는 파라미터 공간 QFIM의 트레이스(trace) 붕괴를 보이지 않았다. 이는 옵티마이저가 기하학적 민감도의 상실이 아니라 스펙트럼 불일치에 의해 마비되었음을 확인해 준다.

스펙트럼 호모토피의 효능

• 탈출률 개선: 고주파 타겟에 대한 표준 학습은 6%의 탈출률(최종 정확도 > 0.65)을 보였다. 전방향 스펙트럼 호모토피 커리큘럼($1.0 \to 2.0 \to 3.0$)은 이 탈출률을 18%로 세 배 증가시켰다.
• 작용 기전: 전방향 커리큘럼 하에서 성공적으로 탈출한 경우, 커리큘럼 단계에 맞춰 $F_x$가 단조 증가하는 모습을 보였으나, 갇힌 회로는 스펙트럼 측면에서 정체되어 있었다. 저주파 단계는 즉각적인 정확도 향상을 가져오지는 않았으나(Phase 3 전까지 정확도는 우연 수준 유지), 인코딩 가중치를 올바른 스펙트럼 깔때기로 운반하는 "잠재적 비계(latent scaffold)" 역할을 수행했다.
• 라우팅 실패: 절제 연구 결과, 얽힘 레이어를 고정(Identity 초기화 또는 웜업 사용)하는 것은 성능을 구제하지 못했다. 이는 인코딩 초기화가 지배적인 변수임을 확인시켜 준다. 즉, 인코딩 가중치가 잘못된 주파수를 선택하면 얽힘 레이어는 신호를 제대로 라우팅할 수 없다.
• 가역성 (Irreversibility): 역방향 커리큘럼($3.0 \to 1.0$)은 0%의 탈출률을 기록했다. Phase 1에서 고주파 경계를 성공적으로 학습한 시드조차 저주파 기하학으로 강제 전환될 때 "파괴적 스펙트럼 망각(catastrophic spectral forgetting)"을 겪었으며, 이는 아키텍처가 경쟁하는 주파수 표현을 유지하지 못함을 시사한다.

4. 의의 및 주장

본 논문은 표현력이 높은 DRU-PQC의 최적화 병목 현상을 재정의한다. 실패의 원인은 표현 능력의 부족이나 지형의 혼돈스러운 평탄화(바렌 플레이토) 때문이 아니라, 인코딩 가중치가 타겟 주파수 대역과 구조적으로 어긋나는 푸리에 잠금(Fourier Locking) 현상 때문이라고 주장한다.

본 연구의 주요 기여는 성공적인 훈련의 핵심 진단 지표로서 **스펙트럼 이동성(spectral mobility, $F_x$의 이동)**을 식별하고, 이를 정적인 파라미터 민감도와 구분한 데 있다. 또한, 스펙트럼 호모토피를 통한 **주파수 페이싱(frequency pacing)**이 초기 지형을 볼록하게 만듦으로써, 파라미터를 타겟 베이슨(basin)으로 운반하는 비계 역할을 하여 잠금을 우회할 수 있음을 입증하였다.

그러나 저자들은 해결책의 완전성에 대해 신중한 태도를 유지한다. 스펙트럼 호모토피의 성공에도 불구하고, 82%의 무작위 초기화가 영구적으로 갇혀 있었으며, 이는 주파수 페이싱이 문제를 완화할 수는 있지만 "초기화 로또(initialization lottery)"가 여전히 지배적인 요소임을 나타낸다. 결론적으로, 무작위 초기화는 표현력이 높은 DRU-PQC를 고주파 타겟에 대해 신뢰성 있게 훈련시키는 데 불충분하며, 향-후 연구는 단순한 최적화 커리큘럼에 의존하기보다 결정론적 인코딩 초기화(예: 고전적 스펙트럼 분석을 통한 가중치 사전 설정)에 집중해야 한다고 제언한다.