⚛️ quantum physics

Practical Quantum Topological Data Analysis with Applications to High-Dimensional Feature Extraction and Time Series Analysis

이 논문은 양자 위상적 데이터 분석을 조합론적 라플라시안의 저차 스펙트럼 모멘트를 활용하여 시계열 응용 분야에서의 예측 성능을 향상시키는 특징 추출 방법으로 재정의함으로써, 새로운 모멘트 기반 양자 알고리즘과 바륨 기반 양자 하드웨어에서의 실험적 검증을 통해 양자 위상적 데이터 분석의 실용적 유용성을 확립한다.

원저자: Jason Iaconis, Sayonee Ray, Samwel Sekwao, Claudio Girotto, Martin Roetteler

게시일 2026-07-30

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Jason Iaconis, Sayonee Ray, Samwel Sekwao, Claudio Girotto, Martin Roetteler

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 복잡한 시스템, 예를 들어 북적이는 도시, 인간의 뇌, 또는 주식 시장을 이해하려고 노력하고 있다고 상상해 보십시오. 보통 우리는 개별 부품을 확인하거나 두 부품이 어떻게 대화하는지를 살펴봄으로써 이러한 시스템을 관찰합니다. 하지만 만약 진짜 비밀이 여러 부품이 한꺼번에 어떻게 상호작용하는지에 있다면 어떨까요? 이것이 바로 **위상 데이터 분석(Topological Data Analysis, TDA)**의 영역입니다. TDA를 데이터의 "모양"을 보는 방법이라고 생각하십시오. 단순히 점의 개수를 세는 대신, TDA는 "루프(고리)가 있는가?", "속이 빈 거품이 있는가?", "가운데를 관통하는 거대한 터널이 있는가?"라고 묻습니다. 이러한 모양들을 위상적 특징(topological features)이라고 부르며, 이는 표준 수학이 놓치는 숨겨진 패턴을 드러낼 수 있습니다.

하지만 여기에는 함정이 있습니다. 고차원 데이터에 대해 이러한 모양을 계산하는 것은 매우 어렵습니다. 그것은 마치 수백만 명의 사람들이 사는 도시에서 친구들이 비밀 클럽을 결성할 수 있는 모든 가능한 방법을 세는 것과 같습니다. 가능성의 수가 너무 빠르게 폭발하여 가장 빠른 슈퍼컴퓨터조차도 멈춰버릴 정도입니다. 여기서 **양자 컴퓨팅(Quantum Computing)**이 이야기에 등장합니다. 양자 컴퓨터는 엄청난 양의 가능성을 동시에 처리하기 위해 물리학의 기묘한 법칙을 사용합니다. 큰 질문은 이것입니다. 양자 컴퓨터가 실제로 이러한 유용한 작업을 실세계 문제에 적용할 수 있을까요, 아니면 그저 이론적인 꿈에 불과할까요?

IonQ 연구진이 작성한 이 논문은 "그렇다, 하지만 약간의 반전이 있다"라고 말합니다. 그들은 양자 컴퓨터를 사용하여 이러한 모양의 정확한 개수를 계산하려고 노력해서는 안 된다고 주장합니다(그것은 여전히 매우 어렵기 때문입니다). 대신, 예측에 도움이 될 만큼 충분히 좋은 특정 "지문"이나 **특징(features)**을 추출하는 데 양자 컴퓨터를 사용해야 한다고 주장합니다. 저자들은 이 아이디어를 fMRI 스캔을 이용한 뇌 질환 진단과 주식 시장 폭락 예측이라는 두 가지 매우 다른 실세계 문제에 테스트했습니다. 그들은 이러한 고차원적인 "모 모양" 특징들이 단순한 연결만을 살펴보는 것보다 예측을 돕는 데 가치 있는 정보를 포함하고 있다는 것을 발견했습니다.

이것이 작동함을 증명하기 위해, 팀은 단순히 시뮬레이션을 실행한 것이 아니라, 양자 회로를 구축하고 이를 트랩된 바륨 이온(trapped barium ions)으로 만들어진 실제 작동하는 양자 컴퓨터에서 실행했습니다. 그들은 작은 그래프로부터 이러한 "모 모양 지문"을 성공적으로 추출해 냈으며, 그 결과가 고전 수학이 예측한 값과 일치함을 보여주었습니다. 그들이 사용한 양자 컴퓨터는 아직 규모가 작지만, 그들의 연구는 명확한 경로를 제시합니다. 즉, 완벽한 정확성보다는 특정하고 유용한 특징에 집중함으로써, 양자 컴퓨터는 조만간 고전 기계로는 불가능한 데이터 문제를 해결하는 데 도움을 줄 수 있다는 것입니다.

다가올 형태의 모습

자세한 내용을 살펴보겠습니다. 연구진은 인간의 뇌와 금융 시장이라는 두 가지 매우 다른 세계를 먼저 살펴보았습니다.

1. 뇌: 생각의 모양 속에서 질병 찾기
팀은 뇌의 어느 부분이 활성화되어 있는지 보기 위해 혈류를 추적하는 기능적 MRI(fMRI) 데이터를 조사했습니다. 보통 과학자들은 두 뇌 영역이 어떻게 연결되는지를 봅니다. 하지만 연구진은 다음과 같이 질문했습니다. 만약 여러 영역이 어떻게 그룹으로 연결되는지를 본다면 어떨까? 그들은 뇌 활동 데이터를 "포인트 클라우드"(공간상의 점 집합)로 변환한 다음, TDA를 사용하여 이 점들이 형성하는 모양 속의 루프와 빈 공간을 찾아냈습니다.

그들은 알츠하이머병 환자와 건강한 개인의 데이터를 통해 이를 테스트했습니다. 그들은 고차원적인 모양(예: 3D 빈 공간 또는 4D 터널)을 관찰하는 것이 단순한 연결을 보는 것보다 질병 여부를 판단하는 데 더 나은 단서를 제공한다는 것을 발견했습니다. 예를 들어, 신경망을 사용하여 환자를 분류할 때, 이러한 복잡한 모양 특징을 추가하면 정확도가 향상되었습니다. 정확도가 아직 완벽하지는 않았지만(최적의 모델에서 약 74%), 핵심적인 결론은 "고차원" 모양이 단순한 방법으로는 놓칠 수 있는 정보를 담고 있다는 것입니다. 이는 뇌 영역이 그룹으로서 상호작용하는 방식이 신경 퇴행성 질환을 진단하는 결정적인 단서가 될 수 있음을 시사합니다.

2. 시장: 폭락이 오기 전에 미리 보기
다음으로, 그들은 주식 시장으로 눈을 돌렸습니다. 금융 데이터는 무질서하고 노이즈가 많지만, 연구진은 서로 다른 주식들이 함께 움직이는 "모양"이 폭락을 예측할 수 있다고 믿었습니다. 그들은 17개의 주요 주식 지수의 일일 종가를 "시간 지연 임베딩(time-delay embedding)" 기술을 사용하여 포인트 클라우드로 변환했습니다. 이는 시장의 모양을 매일 스냅샷으로 찍는 것과 같습니다.

그들은 시장이 주요 폭락(예: 2008년, 2020년, 2022년)에 가까워질 때 데이터의 "모양"이 극적으로 변한다는 것을 발견했습니다. 구체적으로, 고차원 특징(3D 및 4D 빈 공간)은 시장이 하락하기 직전에 거대한 급증(spike)을 보여주었습니다. 이러한 급증은 기존 분석가들이 살펴봤던 단순한 루프(1D 특징)보다 훨씬 더 명확하고 예측력이 높았습니다. 실제로 그들의 "모양" 신호는 전통적인 금융 지표인 MACD보다 약 100일 앞서 하락을 경고하는 선행 지표 역할을 했습니다.

양자 도약: 이론에서 하드웨어로

따라서 우리는 이러한 "모 모양 특징"이 유용하다는 것을 알고 있습니다. 그렇다면 양자 컴퓨터가 실제로 이를 찾아낼 수 있을까요? 양자 컴퓨터를 사용하는 전통적인 방식은 데이터의 구멍(Betti numbers)의 정확한 개수를 계산하는 것이었습니다. 저자들은 이것이 너무 어렵고 불필요하다고 주장합니다. 대신, 그들은 새로운 방법인 **모멘트 기반 양자 TDA(Moment-Based Quantum TDA)**를 제안했습니다.

이렇게 생각해 보십시오. 스위스 치즈가 좋은 치즈인지 알기 위해 모든 구멍을 하나하나 셀 필요 없이, 구멍의 평균 밀도를 측정하는 것과 같습니다. 밀도가 적절하다면, 당신은 그것이 좋은 치즈라는 것을 알 수 있습니다. 연구진은 이러한 "모멘트"(구체적으로 조합 래플라시안(Combinatorial Laplacian)이라는 수학적 객체의 상대적 트레이스)를 측정하는 양자 알고리즘을 개발했습니다. 그들은 시뮬레이션을 통해, 구멍의 개수가 아주 적을 때조차도 이러한 모멘트가 실제 구멍의 개수와 강한 상관관계가 있음을 보여주었습니다.

하드웨어 테스트
이것이 단순한 컴퓨터 시뮬레이션이 아님을 증명하기 위해, 그들은 IonQ의 실제 양자 컴퓨터에서 알고리즘을 실행했습니다. 그들은 트랩된 바륨 이온 기반의 40 큐비트(양자 비트) 시스템을 사용했습니다. 그들은 두 가지 유형의 그래프를 테스트했습니다:

8개의 노드를 가진 작은 그래프.
16개의 노드를 가진 약간 더 큰 그래프.

결과는 유망했습니다. 양자 컴퓨터는 "모 모양 지문"(상대적 트레이스)을 성공적으로 측정했으며, 그 값은 고전적인 계산 값과 매우 밀접하게 일치했습니다. 현재의 양자 하드웨어에 내재된 노이즈에도 불구하고, 장치는 서로 다른 위상적 특징을 가진 그래프를 구별해 낼 수 있었습니다. 이는 양자 컴퓨터가 실제 데이터로부터 위상적 특징을 추출하고 이를 "지면 진실(ground truth)"과 직접 비교하는 데 사용된 첫 사례 중 하나라는 점에서 매우 중요한 성과입니다.

이것이 왜 중요한가

이 논문은 우리가 완벽하고 오류 없는 양자 컴퓨터를 기다릴 필요 없이 이미 유용한 작업을 시작할 수 있다고 결론짓습니다. 목표를 "정확한 계산"에서 "특징 추출"로 전환함으로써, 양자 우위(quantum advantage)를 훨씬 더 빨리 달성할 수 있게 됩니다.

연구진은 뇌 스캔이나 금융 시장과 같은 복잡하고 고차원적인 데이터의 경우, 양자 우위의 "스위트 스팟(최적의 지점)"이 바로 코앞에 와 있다고 제안합니다. 그들은 그래프의 복잡성에 따라, 그래프의 크기가 70개에서 1,200개 노드 사이에 도달하면 양자 컴퓨터가 고전 슈퍼컴퓨터보다 더 빠르게 이러한 문제를 해결할 수 있을 것이라고 추정합니다.

요약하자면, 이 논문은 추상적인 수학과 실세계의 유용성 사이의 간극을 메우고 있습니다. 이는 양자 컴퓨터가 이미 우리 데이터 속에 숨겨진 모양을 볼 수 있도록 도와줄 수 있으며, 인간의 마음부터 글로벌 경제에 이르기까지 모든 것을 이해하는 새로운 렌즈를 제공한다는 것을 보여줍니다. 기술은 아직 초기 단계에 있지만, 앞으로 나아갈 길은 명확해 보입니다. 양자 컴퓨터를 사용하여 문제의 "모양"을 찾고, 나머지 작업은 고전 컴퓨터가 수행하도록 하는 것입니다.

기술 요약: 고차원 특징 추출 및 시계열 분석에 대한 실용적 양자 위상 데이터 분석(TDA)의 응용

문제 정의

위상 데이터 분석(TDA)은 베티 수(Betti numbers)와 같은 위상 불변량을 통해 복잡하고 구조화되지 않은 데이터의 형상을 규명하는 강력한 프레임워크를 제공한다. 그러나 고차원 위상 특징(특히 위상 차원 $d > 1$ 인 베티 수)을 계산하는 것은 고전 하드웨어에서 상당한 계산 병목 현상을 야기한다. 심플렉스(simplex)의 잠재적 개수가 조합론적으로 급증하기 때문에, 대규모의 밀집된 데이터셋에 대해 고차 특징을 계산하는 것은 실행 불가능하다. 기존의 양자 TDA 알고리즘들은 대개 베티 수의 정확한 계산이나 고정밀 추정에 초점을 맞추고 있으나, 이는 실제 데이터에서 흔히 나타나는 '상대적 베티 수(전체 클리크 수 대비 베티 수의 비율)'가 작을 경우 양자 우위를 확보하기 어렵다는 한계를 지닌다.

저자들은 실용적인 데이터 과학 응용 분야의 목표가 일반적인 설정에서의 정확한 베티 수 계산이 아니라, 다운스트림 예측 작업(예: 분류 또는 이상 탐지)을 개선할 수 있는 위상 정보를 추출하는 것이라고 주장한다. 따라서 양자 접근법을 조합론적 라플라시안(combinatorial Laplacian)의 저차 스펙트럼 정보를 프록시(proxy)로 활용하여 고차원 위상을 추출하는 '특징 추출 방법'으로 재정의해야 한다고 제안한다.

방법론

본 논문은 두 가지 접근 방식을 채택한다: 고차 TDA 특징의 유용성을 고전적 응용 분야에서 검증하는 것과, 이러한 특징을 추출하기 위한 자원 효율적인 양자 알고리즘을 개발하는 것이다.

1. 고차 특징의 고전적 검증

저자들은 먼저 고차 호몰로지 특징( $H_2$ 에서 $H_4$ )이 두 가지 상업적으로 중요한 시계열 도메인에서 예측 신호를 포함하고 있음을 입증한다.

신경 퇴행성 질환 분류: OASIS 데이터셋의 fMRI 데이터를 사용하여 Takens 임베딩을 통해 관심 영역(ROI) 시계열로부터 포인트 클 클라우드를 구성한다. 저자들은 차원 4까지 지속성 호몰로지(persistent homology)를 계산한다. 이 특징들로 학습된 머신러닝 분류기(신경망 및 SVM)는 $H_0$ 와 $H_1$ 만을 사용하는 모델에 비해 알츠하이머병 분류 정확도를 향상시킨다.
금융 시계열 분석: 2005~2024년 사이의 17개 지수 주식 시장 데이터를 사용하여 시간 지연 임베딩(time-delay embedding)을 통해 포인트 클라우드를 구성한다. 저자들은 시장 붕괴 전의 구조적 변화를 감지하기 위해 지속성 호몰로지를 분석한다. 결과에 따르면, 고차 호몰로지( $H_3, H_4$ )는 저차 특징보다 시장 하락기(예: 2008년 금융 위기, 2020년 팬데믹) 동안 더 강력하고 예측력 있는 신호(지속성의 정점)를 생성한다. 또한, 시간 지연 피어슨 상관 분석 결과, 고차 TDA 신호는 MACD와 같은 전통적인 지표가 보여주지 못하는 선행 지표로서 가격 변동보다 앞서 움직이는 경향을 보인다.

2. 양자 알고리즘: 모멘트 기반 특징 추출

계산 병목 현상을 해결하기 위해, 저자들은 정확한 베티 수를 계산하는 대신 조합론적 라플라시안( $\Delta_k^\Gamma$ )의 저차 스펙트럼 모멘트를 추정하는 모멘트 기반 양자 알고리즘을 제안한다.

핵심 개념: 0인 고윳값의 개수를 세는 방식(상대적 베티 수가 작을 때 높은 정밀도가 필요함) 대신, 라플라시안의 상대적 트레이스(relative trace), 즉 $\text{tr}[\Delta_k^\Gamma]$ 를 추정한다. 저자들은 상대적 베티 수가 작더라도 상대적 트레이스가 $\beta_{k-1}$ 과 강하게 상관되어 있음을 수치적으로 입증한다.
회로 구성: 알고리즘은 세 가지 주요 구성 요소를 사용한다.
1. 데이터 로딩: 무작위 위상을 가진 모든 $k$ -클리크(clique)의 중첩을 나타내는 디크 상태(Dicke state) $|D_N^k\rangle$ 를 준비한다.
2. 투영(Projection): 중간 회로 측정(MCM)과 보조 큐비트를 사용하여 비-클리크를 필터링함으로써 특정 심플리셜 복합체 $\Gamma$ 로 투영한다.
3. 트레이스 추정: 경계 연산자 $B = \partial + \partial^\dagger$ (페르미온 해밀토니안의 트로터화로 구현)를 적용하고, 결과 상태의 노름(norm)을 측정하여 트레이스를 추정한다.
자원 효율성: 저자들은 큐비트 요구량을 줄이기 위해 중간 회로 측정 및 리셋 기능을 활용한다. 회로 폭은 $O(N)$ 으로 스케일링되며, 샷(shot) 수는 원하는 정밀도와 $k$ -클리크의 밀도( $\zeta_k$ )에 따라 달라지지만, 특히 상대적 베티 수에는 크게 의존하지 않는다.

주요 결과

고전적 성능

fMRI: 축소된 OASIS 서브셋에 대한 이진 분류 작업(알츠하이머 vs 정상)에서, 고차 호몰로지 특징( $H_2$ ~ $H_4$ )을 신경망에 추가했을 때 균형 정확도가 약 69%( $H_0$ )에서 약 74%(모든 특징)로 증가했다. SVM 모델 역시 특정 특징 압축 시 약 66%에서 성능이 정점에 도달하는 유사한 경향을 보였다.
금융: 고차 호몰로지 곡선( $H_3, H_4$ )은 $H_1$ 에 비해 시장 붕괴 근처에서 더 큰 정점과 명확한 신호를 나타냈다. 시간 지연 상관 분석 결과, $H_2$ 에서 $H_4$ 신호는 미래의 가격 하락과 음의 상관관계를 가지며 MACD 지표보다 뛰어난 예측력을 가진 선행 지指標 역할을 수행함을 확인했다.

양자 알고리즘 성능

상관관계 검증: Erdős-Rényi 그래프 및 fMRI 포인트 클라우드에 대한 수치 시뮬레이션을 통해, 상대적 트레이스 $\text{tr}[\Delta_k^\Gamma]$ 와 베티 수 $\beta_{k-1}$ 사이에 강한 선형 상관관계가 있음을 확인했다. 이는 상대적 베티 수가 작을 때도 트레이스를 프록시 특징으로 사용할 수 있음을 입증한다.
자원 추정: 저자들은 자신들의 양자 알고리즘과 고전 TDA 소프트웨어(giotto-ph) 간의 시간-해결(Time-to-Solution, TTS) 교차점을 비교하는 추정치를 제공한다. 에지 밀도가 높은( $\zeta_2 \approx 0.9$ ) 그래프의 고차원 베티 수( $d=4$ ~$10$)에 대해, 양자 알고리즘은 70개에서 1,200개의 노드를 가진 그래프에서 고전적 방법을 앞지를 것으로 예상되며, 교차 시간은 몇 시간에서 며칠 사이로 나타났다.
하드웨어 시연: 알고리즘은 Barium 기반 트랩 이온 양자 프로세서(40 큐비트, IonQ Tempo 라인과 유사)에서 실행되었다.
- 실험: 8개 노드 그래프( $N=8, \beta_1$ 측정) 및 16개 노드 그래프( $N=16, \beta_3$ 측정)에서 성공적으로 실행되었다.
- 기법: 상태 투영을 위해 4회의 중간 회로 측정을 활용하여, 이론적 요구량인 56 큐비트에서 16-노드 케이스의 경우 32 큐비트로 감소시켰다.
- 결과: 하드웨어는 측정된 상대적 트레이스 관측량을 통해 서로 다른 베티 수를 가진 그래프 인스턴스를 성공적으로 구별해 냈다. 결과는 이상적인 시뮬레이션과 밀접하게 일치했으나, 16-노드 케이스의 회로 깊이가 증가함에 따라 관찰 가능한 노이즈가 발생했다.

의의 및 주장

본 논문은 TDA의 패러다임을 정확한 베티 수 추정에서 위상 특징 추출로 전환함으로써 "양자 유용성(quantum utility)을 위한 명확한 경로"를 구축했다고 주장한다.

실용적 유용성: 저자들은 고차 위상 특징이 단순한 이론적 구조물이 아니라 의료 진단 및 금융 예측과 같은 실제 문제에서 행동 가능한 정보를 포함하고 있으며, 종종 저차원 특징보다 우수하다는 것을 입증했다.
알고리즘적 타당성: 저차 모멘트(상대적 트레이스)를 추정함으로써, 상대적 베티 수가 작아 양자 우위 확보가 어려웠던 영역에서도 양자 우위가 달성 가능함을 보여주었다.
실험적 검증: 본 연구는 측정된 라플라시안 관측량이 정확한 베티 정보와 정량적으로 비교되어 그래프 인스턴스를 구분해 내는, 모멘트 기반 TDA의 첫 번째 양자 하드웨어 시연이다.
로드맵: 응용 중심의 특징 검증과 자원 효율적인 알고리즘 설계를 결합하여, 완전한 결함 허용(fault-tolerant) 양자 컴퓨터가 등장하기 전에도 데이터 과학 분야에서 양자 우위를 달성할 수 있는 현실적인 로드맵을 제시한다.

저자들은 자신의 양자 알고리즘이 베티 수를 직접 계산하는 것이 아니라 베티 수와 상관관계가 있는 관측량을 추정하는 것이며, 현재의 하드웨어 시연이 작은 규모의 그래프로 제한되어 있다는 점을 인정하며 신중한 태도를 유지한다. 그러나 이러한 스케일링 특성과 입증된 상관관계를 바탕으로, 양자 TDA가 고전적으로 까다로운 고차원 데이터 분석 작업에서 실질적인 가치를 제공할 수 있다고 주장한다.