Interpreting Quantum Learning Models via Stochastic Processes

기술 요약: 확률 과정을 통한 양자 학습 모델의 해석

문제 정의
양자 기계 학습(QML) 모델은 매개변수화된 양자 진화와 측정을 통해 확률적 입출력 맵을 정의한다. 이러한 모델들은 잠재적인 계산적 이점을 제공하지만, 그 내부 기능은 중간 구성(intermediate configurations)을 통과하는 확률적 궤적으로 해석하기 어렵다. 고전적인 마르코프적 확률 모델에서 프로세스는 채프먼-콜모고로프 분해 가능성 조건(Chapman-Kolmogorov divisibility condition)을 만족하여, 확률을 잘 정의된 상태들 사이의 전이 시퀀스로 분해할 수 있다. 그러나 양자 역학은 일반적으로 이 조건을 위반한다. 즉, 결과에 대한 확률은 일반적으로 중간 구성들의 확률 합으로 표현될 수 없다. 결과적으로 QML 모델은 확률적 숙고(stochastic deliberation)나 경로라는 관점에서의 고전적 해석이 결여되어 있다. 본 연구가 다루는 핵심 질문은 양자 프로세스를 적절히 선택된 구성 공간(configuration space) 상의 확률적 역학으로 표현할 수 있는지, 만약 가능하다면 그러한 표현의 어떤 특징이 기저 모델의 비고전적 구조를 인코딩하는가 하는 것이다.

방법론
저자들은 양자 학습 모델을 구성 공간 상의 확률 과정으로 표현하는 확률적 프레임워크를 개발하며, 여기서 역학은 확률 분포에 대한 선형 사상으로 모델링된다. 이 접근 방식은 양의 연산자 집합(POVM)을 고정하여 구성 공간을 정의하는 것에 의존한다.

1. 일반 프레임워크: 양자 상태 $\rho$는 고정된 POVM $\{E_i\}$를 통해 확률 분포 $p_i = \text{Tr}(\rho E_i)$로 매핑된다. 양자 채널은 이 분포들에 대해 선형 전이 사상을 유도한다.
2. 표현 분석: 저자들은 두 가지 구별되는 구성 공간 체계를 체계적으로 비교한다:
   • 정보 완비적(Informationally Complete, IC) POVM: POVM이 연산자 공간을 생성하는 표현(예: SIC-POVM).
   • 투영 표현(Projective Representations): 직교 투영자(orthogonal projectors)에 기반한 표현(예: PVM)으로, 정보 완비적이지 않다.
3. 투영 시뮬레이션(Projective Simulation, PS) 통합: 이 프레임워크는 PS(기억 네트워크 상의 랜덤 워크를 숙고로 사용하는 강화 학습 모델)에 적용된다. 저자들은 양자 표현으로부터 도출된 특정 확률적 특성(준확률적 성질 또는 비마르코프성)을 수용하도록 PS를 일반화한다.
4. 근사 분석: 저자들은 특히 유니터리 진화의 주기성이나 스테빌라이저 역학(stabilizer mechanics)과 같은 특정 구조를 활용하여, 유한 차수 확률 커널이 양자 역학을 근사할 수 있는지 조사한다.

주요 기여 및 결과

• 양의 성(Positivity)-분해 가능성(Divisibility) 트레이드오프: 주요 결과는 전이 확률의 양의 성(positivity)과 프로세스의 분해 가능성(마르코프성) 사이의 근본적인 트레이드오프를 확립한 것이다:

  • IC-POVM 표현: 이는 채프먼-콜모고로프 조건을 만족하는 마르코프적(1차) 역학을 생성한다. 그러나 전이 커널은 일반적으로 음의 값을 포함하는 준확률적(quasi-stochastic) 성질을 갖는다. 양자 채널의 비고전성은 이 음수 값에 인코딩된다. 결정적으로, 커널에 음수 값이 존재하더라도, 커널이 유효한 양자 상태에 대응하는 확률 심플렉스의 부분집합에만 작용하기 때문에 결과적인 확률 분포는 양수이며 정규화된 상태를 유지한다.
  • 투영 표현: 이는 양의 값을 갖는 (엄격한 의미의 확률적) 전이 커널을 생성하여, 확률적 궤적에 대한 직접적인 해석을 보존한다. 그러나 이들은 일반적으로 채프먼-콜모고로프 조건을 위반하며, 비마르코프적(고차) 역학을 요구한다. 전이 확률은 현재 상태뿐만 아니라 과거 구성의 이력에 의존한다.

• 구체적 사례:

  • 큐비트 역학: 유니터리 진동을 겪는 큐비트의 경우, 투영 표현(기저 상태)은 초기 상태에 의존하는 비마르코프적 프로세스를 필요로 한다. 반면, SIC-POVM 표현은 음의 값을 가진 준확률적 커널을 갖는 1차 마르코프적 프로세스를 생성한다.
  • 스테빌라이저 역학: 단일 큐디트(single-qudit) 스테빌라이저 역학의 경우, 투영 표현은 위상 공간의 심플렉틱 구조로부터 유도된 유한한 마르코프 차수 $L=2$를 갖는 양의 성을 띠지만 비마르코프적인 프로세스를 결과로 낸다.

• 일반화된 투영 시뮬레이션: 저자들은 양자 숙고를 해석하기 위해 PS 프레임워크를 확장한다.

  • IC 표현에서 "숙고"는 확정적인 메모리 클립(memory clips) 상의 랜덤 워크가 아니라, 허용 가능한 확률 벡터(분포)의 궤적이다. 여기서 "클립"은 날카롭게 점유된 상태라기보다 좌표 레이블로서 기능한다.
  • 투영 표현에서 숙고는 클립 상의 랜덤 워크라는 해석을 유지하지만, 전이 규칙은 단순한 현재 상태가 아닌 워크의 이력에 의존한다(비마르코프적). 이를 통해 확장된 숙고 이력 수준에서의 궤적 개념을 회복한다.

• 유한 지평 근사(Finite-Horizon Approximations): 본 논문은 주기적인 고유 위상(eigenphases)을 갖는 유니터리 역학이나 스테빌라이저 역학과 같은 특정 영역에서는 양의 확률적 표현을 위해 필요한 이력 의존성이 제한될 수 있음을 개괄한다. 이는 양자 역학이 때때로 제한된 메모리를 가진 유한 차수 확률 프로세스에 의해 근사될 수 있음을 시사한다.

의의 및 주장
본 논문은 양자 이론의 비고전적 특징을 음수(전이 커널에서의)와 시간적 의존성(메모리/이력) 사이로 분배함으로써 양자 학습 모델을 해석하는 통합된 프레임워크를 제공한다고 주장한다.

• 이는 양자 역학이 확률적 해석을 불가능하게 하는 비고전적 방식이거나, 혹은 마르코프성을 보존하는 고전적인 방식 중 하나여야 한다는 관점에 도전한다. 대신, 양자 역학이 이 두 가지 고전적 제약 중 하나를 완화함으로써 확률적으로 표현될 수 있음을 보여준다.
• 이 프레임워크는 양자 숙고 과정(양자 PS와 같이)을 "신비로운" 비확률적 사건이 아니라, 준확률적 마르코프 워크 또는 양의 비마르코프 워크로 해석할 수 있는 경로를 제공한다.
• 저자들은 자신들의 작업이 특정 기저 존재론(예: 숨은 변수)에 대한 확언이라기보다 양자 확률 역학의 표현이라고 위치시킨다. 그들은 투영 표현이 Barandes가 제안한 "확률적-양자 대응"과 일치하지만, 더 넓은 프레임워크는 이러한 불가분한 확률적 묘사가 더 큰 클래스의 확률 모델 중 하나의 실현임을 보여준다고 언급한다.
• 마지막으로, 본 논문은 양자 자원의 복잡성이 양의 확률적 표현을 위해 필요한 마르코프 차수에 의해 특징지어질 수 있음을 시사하지만, 이는 여전히 열린 문제로 남아 있다.

결론적으로, 양자 프로세스에 대한 유일한 확률적 묘사는 존재하지 않는다. 오히려 서로 다른 표현들이 비고전적 특징(음수성 대 메모리)을 서로 다른 방식으로 분배하며, 이를 통해 고전적 확률 모델, 양자 이론의 확률적 표현, 그리고 QML 모델을 비교할 수 있는 공통 언어를 제공한다.