⚛️ quantum physics

Qutrit-Based Neural Quantum Kernels for Classification Tasks

이 논문은 신경 양자 커널을 큐트리트 기반 시스템으로 확장하며, $\mathrm{SU}(3)$ 유니터리의 증가된 자유도를 활용하는 것이 큐비트 베이스라인에 비해 분류 성능을 유의미하게 향상시킨다는 것을 체계적인 벤치마킹을 통해 입증하는 동시에, 최적화와 확장성에 미치는 파라미터화 선택의 결정적인 영향을 강조한다.

원저자: Camila Cristiano-Romero, Pablo Rodriguez-Grasa, Mikel Sanz

게시일 2026-07-28

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Camila Cristiano-Romero, Pablo Rodriguez-Grasa, Mikel Sanz

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 컴퓨터에게 패턴을 인식하는 법, 예를 들어 운동화 사진과 샌들 사진을 구별하는 법을 가르치려 한다고 상상해 보세요. 머신러닝의 세계에서 우리는 종종 '뉴럴 네트워크(신경망)'를 사용하는데, 이는 연결된 층들로 이루어진 디지털 뇌와 같습니다. 이 뇌를 더 똑똑하게 만들기 위해, 우리는 때때로 데이터를 먼저 바라볼 수 있는 특별한 '렌즈'를 제공합니다. 이 렌즈를 '커널(kernel)'이라고 부릅니다. 커널은 복잡하고 무질서한 데이터를 새로운, 더 깨끗한 형태로 변형하여 카테고리 간의 차이(예: 신발 대 샌들)를 훨씬 더 쉽게 포착할 수 있게 해줍니다.

대부분의 이러한 디지털 뇌는 '큐비트(qubit)'라고 불리는 아주 작은 스위치로 구축됩니다. 큐비트는 전등 스위치처럼 켜짐 또는 꺼짐이라는 두 가지 상태를 가질 수 있습니다. 하지만 과학자들은 다음과 같은 의문을 품었습니다. 만약 우리가 큐비트 대신 '쿼디트(qudit)'를 사용한다면 어떻게 될까? 쿼디트를 단순한 전등 스위치가 아니라, 여러 단계로 조절할 수 있는 디머 스위치나 세 개, 네 개 혹은 그 이상의 위치를 가리킬 수 있는 다이얼이라고 생각해 보세요. 이 논문은 단순한 두 상태의 스위치 대신, 더 풍부한 다중 상태의 다이얼인 '큐트리트(qutrit)'를 사용했을 때 어떤 일이 일어나는지를 탐구합니다. 큰 질문은 이것입니다. 디지털 뇌에 이러한 추가적인 설정들을 부여하는 것이 학습을 더 잘하게 만들까요, 아니면 단지 상황을 더 복잡하게 만들 뿐일까요?

실험: 디지털 뇌의 업그레이드

이 연구에서 연구진은 '뉴럴 퀀텀 커널(Neural Quantum Kernel, NQK)'이라 불리는 특정 유형의 머신러닝 모델을 가져와, 단순한 큐비트에서 큐트리트로 업그레이드했습니다. NQK를 2단계 과정으로 생각할 수 있습니다. 먼저, 연구진은 작은 양자 신경망을 훈련시켜 원시 데이터(예: 이미지의 픽셀 값)를 양자 상태로 가장 잘 '번역'하는 방법을 학습시킵니다. 일단 이 번역 방식이 학습되면, 설정을 고정하고 이를 새로운 데이터를 바라보는 고정된 렌즈로 사용합니다. 이는 렌즈를 매번 새로 훈련시키는 것보다 훨씬 효율적입니다.

연구진은 이 새로운 큐트리트 기반 시스템을 패션 관련 이미지 데이터셋인 'Fashion-MNIST'를 통해 테스트했습니다. 그들은 컴퓨터에게 두 가지 과제를 부여했습니다. 하나는 단순한 이진 분류 작업(샌들과 운동화 구별하기)이고, 다른 하나는 더 어려운 3종 분류 작업(샌들, 운동화, 앵클 부츠의 차이 구분하기)입니다.

연구 결과

결과는 꽤 유망했습니다. 거의 모든 테스트 시나리오에서 큐트리트 기반 모델은 표준 큐비트 기반 모델보다 더 나은 성능을 보였습니다. 이러한 추가적인 '다이얼 설정'이 컴퓨터가 데이터의 미묘한 세부 사항을 더 잘 포착할 수 있게 해준 것으로 보입니다.

연구진은 또한 이 모델들을 구축하는 두 가지 서로 다른 방식을 실험했습니다:

"복사-붙여넣기" 방식 (1-to-n): 단 하나의 큐트리트가 최선의 역할을 수행하도록 훈련시킨 후, 동일하게 훈련된 행동을 고정된 연결로 묶인 큐트리트 그룹 전체에 복사하여 적용하는 방식입니다.
"팀워크" 방식 (n-to-n): 처음부터 큐트리트 그룹 전체를 함께 훈련시켜, 그들이 어떻게 팀으로서 협력할지 학습하게 하는 방식입니다.

놀랍게도 두 방식 모두 매우 잘 작동했으며 유사하게 높은 점수를 기록했습니다. '팀워크' 방식이 일부 사례에서 약간의 우위를 점하긴 했지만, '복사-붙여넣기' 방식 역시 거의 대등한 성과를 냈습니다. 이는 항상 거대하고 복잡한 훈련 과정이 있어야만 훌륭한 결과를 얻을 수 있는 것은 아님을 시사합니다.

비법: 다이얼을 돌리는 방법

가장 흥 trình한 발견 중 하나는 큐트리트가 어떻게 프로그래밍되었는지에 관한 것이었습니다. 디머 스위치가 다양한 방식으로 배선될 수 있는 것처럼, 큐트리트를 제어하는 데 사용되는 수학적 '다이얼'(SU(3) 파라미터화)도 매우 중요했습니다. 연구진은 이 다이얼을 설정하는 세 가지 방법을 시도했습니다:

기하학적(Geometric): 직접적이고 대칭적인 접근 방식.
오일러 각도(Euler-angles): 단계별 회전 방식.
기븐스 회전(Givens-rotations): 특정 쌍의 상태를 교체하는 데 집중하는 방식.

연구 결과 기하학적 접근 방식이 명확한 승자였습니다. 이 방식은 일관되게 가장 좋은 결과를 보여주었으며, 데이터 특징이 추가됨에 따라 가장 많이 개선되었습니다. 다른 두 방식도 작동은 했지만, 성능이 그만큼 좋지 않았거나 개선 속도가 완만했습니다. 이는 당신이 양자 다이얼을 어떻게 '배선'하느냐가 다이얼 그 자체만큼이나 중요하다는 것을 시사합니다.

규모 확장 및 포화 상태

연구진은 시스템을 더 크게 만들거나(큐트리트 추가) 더 많은 정보(특징 추가)를 입력하는 것이 항상 도움이 되는지도 확인했습니다. 답은 "경우에 따라 다르다"였습니다.

큐트리트 추가: 일반적으로 큐트리트를 추가하면 정확도가 향 up 되었지만, 특정 지점까지만 그러했습니다. 약 4개의 큐트리트 근처에서 성능이 천장에 도달하여, 그 이후로는 아주 미미한 개선만을 보였습니다.
특징 추가: 마찬가지로, 모델에 더 많은 데이터 특징을 제공하는 것이 도움이 되었지만, 이 역시 한계가 있었습니다. 어떤 데이터셋에서는 약 5~6개의 특징을 넘어서면 모델이 더 똑똑해지지 않고 성장이 멈추는 현상이 나타났습니다.

결론

노이즈가 없는 이상적인 컴퓨터 시뮬레이션 환경에서, 큐트리트 기반의 뉴럴 퀀텀 커널은 전통적인 큐비트 버전에 비해 강력한 업그레이드임이 입증되었습니다. 이 모델들은 복잡한 다중 카테고리 작업을 자연스럽게 처리했으며, 더 단순한 모델들을 능가했습니다. 그러나 이 논문은 이것이 마법의 해결책은 아니라는 점도 경고합니다. 이 이점은 특정 데이터셋, 사용된 큐트리트의 수, 그리고 결정적으로 큐트리트를 프로그래밍하는 데 사용된 구체적인 수학적 방법에 따라 크게 달라집니다.

이러한 결과는 흥미롭지만, 현재는 완벽한 시뮬레이션에 기반하고 있습니다. 연구진은 실제 양자 컴퓨터는 노이즈가 많고 불완전하다는 점을 언급하며, 다음 단계는 빛이 깜빡이고 신호가 혼란스러워지는 상황에서도 이러한 큐트리트의 이점이 유지되는지 확인하는 것이라고 밝혔습니다. 현재로서는, 이 연구가 두 상태의 스위치에서 세 상태의 다이얼로 이동하는 것이 양자 머신러닝을 더 똑똑하고 다재다능하게 만드는 유망한 경로임을 시사하고 있습니다.

기술 요약: 분류 작업을 위한 큐트리트(Qutrit) 기반 신경 양자 커널

문제 정의
양자 기계 학습(QML)은 주로 큐비트 기반 아키텍처(2준위 계)에 집중해 왔습니다. 매개변수화된 양자 회로(PQC)와 데이터 재업로드 모델이 유망한 결과를 보여주었으나, 이들은 훈련 가능성(예: 바렌 플래토/barren plateaus)과 표현력 측면에서 어려움에 직면해 있습니다. 또한, 표준 큐비트 임베딩은 $SU(2)$ 대수에 의해 구조적으로 제한되어 있어, 하위 시스템당 독립적인 매개변수가 3개뿐이며 이는 로컬하게 인코딩할 수 있는 특징의 수를 제한합니다. 더불어, 큐비트 기반 모델은 다중 클래스 분류를 위해 복잡한 판독 전략을 필요로 하는 경우가 많습니다. 본 논문은 뉴럴 양자 커널(NQK)을 큐디트( $d$ -준위 계), 특히 큐트리트( $d=3$ )로 확장하여 더 풍부한 로컬 자유도를 활용하고, 자연스러운 다중 클래스 인터페이스를 가능하게 하며, 잠재적으로 특징 인코딩 효율성을 개선할 필요성을 다룹니다.

방법론
저자들은 NQK 프레임워크를 큐트리트로 확장합니다. NQKs는 두 단계로 작동합니다: (1) 최적의 태스크 적응형 임베딩을 찾기 위해 지도 학습을 통해 양자 신경망(QNN)을 사전 훈련하는 단계, (2) 이 매개변수들을 고정하여 양자 커널을 정의하고, 이를 클래식 서포트 벡터 머신(SVM)과 함께 사용하는 단계입니다.

주요 방법론적 구성 요소는 다음과 같습니다:

아키텍처: 본 연구는 클래식 특징들이 반복적으로 인코딩되고 훈련 가능한 변분 블록과 교차되는 데이터 재업로드 아키텍처를 활용합니다.
확장 가능한 사전 훈련: 최적화의 어려움을 완화하기 위해, 저자들은 "점진적 성장(progressive growth)" 전략을 채택합니다. 모델은 단일 큐트리트에서 시작하여 훈련되며, 학습된 매개변수는 새로운 매개변수(엔탱글링 게이트 포함)를 0으로 초기화함으로써 더 큰 시스템(2, 3, 4 큐트리트)을 위한 웜 스타트(warm-start)로 사용됩니다.
커널 구성: 두 가지 접근 방식이 비교됩니다:
- $n$ -to- $n$ : $n$ -큐트리트 QNN을 직접 훈련시키고, 그 전체 임베딩을 재사용합니다.
- 1-to- $n$ : 단일 큐트리트 QNN을 훈련시킨 후, 학습된 유니터리를 $n$ -큐트리트 레지스터에 복제하고 고정된 엔탱글링 연산과 교차시킵니다.
큐트리트 특이사항:
- 매개변수화: 연구는 단일 큐트리트 $SU(3)$ 유니터리에 대해 세 가지 뚜렷한 매개변수화를 조사합니다: 기하학적(Geometric, Lie-algebra exponential), 오일러 각도(Euler-angles) 분해, 그리고 기븐스 회전(Givens-rotations) 형태입니다.
- 엔탱글링 프리미티브: 1-to- $n$ 구성은 고정된 SUM(일반화된 CNOT) 게이트를 사용하며, $n$ -to- $n$ 구성은 최근접 이웃 패턴으로 배치된 훈련 가능한 제어 유니터리 게이트를 사용합니다.
- 특징 예산(Feature Budget): 인코딩된 특징의 수( $p$ )는 $SU(3) $생성자의 매개변수에 매핑됩니다.$ d=3$인 경우, 하위 시스템당 최대 8개의 특징을 인코딩할 수 있습니다.
태스크 및 데이터셋: 모델은 Fashion-MNIST, HAR (Human Activity Recognition), MAGIC Gamma Telescope, Covertype의 네 가지 벤치마크 데이터셋을 사용하여 이진 및 3-클래스 분류 태스크에 대해 평가됩니다.

주요 기여

큐디트로의 확장: 본 논문은 NQK 프레임워크를 큐비트에서 큐트리트로 일반화하며, 로컬 차원, $SU(3)$ 매개변수화, 특징 예산 할당에 관한 새로운 설계 선택지를 도입합니다.
체계적 설계 분석: 특정 아키텍처 선택(시스템 크기 $n$ , 특징 예산 $p$ , 커널 구성 유형, $SU(3)$ 매개변수화)이 성능에 미치는 영향에 대한 포괄적인 절제 연구(ablation study)를 제공합니다.
매개변수화의 영향: $SU(3)$ 매개변수화의 선택이 매우 중요하다는 것을 입증합니다. 기하학적(Geometric, Lie-algebra exponential) 매개변수화가 최적화 역학(그래디언트 노름, 훈련 손실) 및 최종 정확도 측면에서 오일러 각도 및 기븐스 회전보다 일관되적으로 우수한 성능을 보였습니다.
성능 검증: 연구는 다양한 시스템 크기와 특징 예산에 대해 큐트리트 기반 NQK가 대응하는 QNN 베이스라인(측정 기반 변분 분류기)보다 일반적으로 높은 성능을 달ern다는 것을 실증적으로 보여줍니다.

결과

NQK vs. QNN: Fashion-MNIST 데이터셋의 거의 모든 설정에서, 큐트리트 NQK(1-to- $n$ 및 $n$ -to- $n$ 모두)는 대응하는 QNN 베이스라인보다 높은 테스트 정확도를 달성했습니다. 이는 태스크에 적응된 임베딩을 학습하고 이를 커널 구성을 위해 고정하는 것이 변분 모델 단독보다 더 강력한 분류기를 생성한다는 가설을 뒷받침합니다.
스케일링 트렌드:
- 시스템 크기 ( $n$ ): 큐트리트의 수를 늘리는 것은 일반적으로 성능을 향상시켰으나, 이득은 포화되는 경향이 있었습니다 (예: Fashion-MNIST의 경우 $n=4$ 부근).
- 특징 예산 ( $p$ ): 인코딩된 특징의 수를 늘리는 것은 일반적으로 정확도를 향상시켰으나, 그 관계는 데이터셋에 따라 달랐습니다. 일부 데이터셋(예: Covertype)의 경우, 성능은 비단조적(non-monotonic)이었으며 중간 정도의 특징 수에서 정점을 찍었습니다.
- 매개변수화: 기하학적 매개변수화가 일관되게 가장 좋은 결과를 냈습니다. 오일러 각도와 기븐스 회전 매개변수화는 더 낮은 성능과 다른 스케일링 동작을 보여주었으며, 이는 매개변수의 구조적 역할(예: 위상 vs 회전)이 학습에 영향을 미친다는 점을 강조합니다.
클래식 베이스라인과의 비교: 동일한 전처리를 사용한 클래식 RBF-SVM과 비교했을 때, 큐트리트 NQK는 경쟁력 있는 수준을 유지했습니다. 클래식 SVM이 종종 약간 더 높은 평균 정확도(통계적 불확ability 범위 내)를 기록했지만, 양자 모델은 이 성능에 근접했으며, Covertype 3-클래스 태스크에서는 4-to-4 NQK가 클래식 베이스라인을 약간 상회하기도 했습니다.
1-to- $n$ vs. $n$ -to- $n$ : 중간 규모의 시스템 크기( $n=4$ )에서 두 구성 모두 유사한 정확도를 달성하였으며, 이는 단일 큐트리트 맵을 복제하는 더 단순한 1-to- $n$ 전략이 더 유연한 $n$ -to- $n$ 접근 방식과 경쟁할 수 있음을 시사합니다.

의의 및 주장
본 논문은 NQK를 큐디트로 확장하는 것이 단순한 일반화가 아니라, QML에서 복잡한 데이터 구조를 활용하기 위한 유망한 경로라고 주장합니다. 주요 의의는 다음과 같습니다:

더 풍부한 임베딩: $SU(3) $에서의 증가된 로컬 자유도는$ SU(2)$에 비해 더 풍부한 특징 임베딩과 더 효율적인 매개변수 사용을 가능하게 합니다.
다중 클래스 적합성: 큐트리트는 계산 기저(computational basis)를 통해 다중 클래스 분류를 위한 자연스러운 인터페이스를 제공하며, 큐비트에 필요한 복잡한 인코딩 방식을 피할 수 있게 합니다.
설계 민감도: 큐디트 기반 모델의 성능은 설계 선택, 특히 유니터리의 매개변수화에 매우 민감합니다. 본 연구는 빌딩 블록(매개변수화, 엔탱글링 전략)의 선택이 자원 스케일링만큼이나 중요한 "설계 주도적(design-driven)" 접근 방식이 필요함을 강조합니다.
실용적 생존 가능성: 이상적인(노이즈 없는) 시뮬레이션 하에서 테스트되었음에도 불구하고, 결과는 큐디트 NQK가 최적화된 아키텍처 선택이 뒷받�될 경우 강력한 클래식 커널 방법과 경쟁할 수 있음을 시사합니다.

저자들은 결과가 계산 비용으로 인해 이상적인 시뮬레이션과 작은 시스템 크기에 국한되어 있다는 점을 언급하며 주장에 신중함을 유지합니다. 또한 스케일링의 이점이 데이터셋에 따라 다르다는 점을 인정하며, 특징 인코딩과 매개한의 상호작용에 대한 추가적인 체계적 규명이 필요함을 밝힙니다. 향-후 연구로는 노이즈 강건성과 더 높은 차원의 큐디트( $d > 3$ ) 탐색을 제안합니다.

기술 요약: 분류 작업을 위한 큐트리트(Qutrit) 기반 신경 양자 커널

유사한 논문