Classical $\mathrm{SU}(2)$ Models Match or Exceed Shallow Variational Quantum Circuits on Vision Benchmarks

기술 요약: 고전적 SU(2) 모델 대 얕은 변분 양자 회로

문제 정의
본 논문은 쿼터니언 기반 신경망(QuatNets)과 변분 양자 회로(VQCs)가 고전적인 지도 학습 작업에서 보이는 상대적 성능 차이에 대한 이해의 공백을 다룬다. 두 아키텍처 모두 특수 유니타리 군(special unitary group)인 SU(2)의 기하학적 구조로부터 국소적 변환을 도출한다. QuatNet은 4차원 실수 공간에서의 회전을 매개변수화하기 위해 단위 쿼터니언을 활용하는 반면, VQC는 힐베르트 공간 내에서 SU(2)에서 추출된 단일 큐비트 게이트를 사용한다. 이러한 공유된 국소 기하 구조에도 불구하고, 양자 특유의 특징인 얽힘(entanglement)과 측정에 의한 상태 붕괴(measurement-induced state collapse)가 표준 이미지 분류 벤치마크에서 고전적 SU(2) 모델에 비해 실질적인 이점을 제공하는지는 불분명하다. 저자들은 고전적 SU(2) 구조가 얕은 양자 회로의 학습 동작을 재현할 수 있는지, 그리고 특징의 품질 변화에 따라 얽힘이 성능에 어느 정도 기여하는지를 결정하고자 한다.

연구 방법론
저자들은 MNIST, FashionMNIST, CIFAR-10이라는 세 가지 표준 이미지 데이터셋을 사용하여 통제된 비교 프레임워크를 구축하였다. 분류 헤드의 유도 편향(inductive bias)을 특징 추출 능력과 분리하기 위해, 특징 표현이 고정된 두 가지 별도의 정규(regime)를 채택하였다:

1. 학습된 병목(Learned Bottleneck): 입력을 16차원 벡터로 매핑하는 공유된 저용량 특징 추출기 (모든 데이터셋에 적용).
2. 고정된 사전 학습 특징(Frozen Pretrained Features): CIFAR-10의 경우, ImageNet으로 사전 학습된 ResNet18 백본으로부터 추출된 512차원 임베딩을 사용.

네 가지 분류 헤드 아키텍처가 동일한 고정 특징에 대해 평가되었다:

• RealNet: 기준점 역할을 하는 표준 실수 값 다층 퍼셉트론(MLP).
• QuatNet: 실수 연산을 단위 쿼터니언을 이용한 해밀턴 곱(Hamilton products)으로 대체하여 SU(2) 구조를 보존하는 쿼터니언 값 MLP.
• Quantum-NoEnt: 데이터 재업로드(data re-uploading)를 포함하지만 얽힘은 없는(곱 상태, product-state) 깊이 3의 변분 양자 회로(VQC).
• Quantum-Ent: 위와 동일하지만 얽힘을 도입하기 위해 CNOT 게이트 링을 포함하는 깊이 3의 VQC.

양자 회로는 16D 병목 구조에는 4 큐비트로, 512D ResNet18 정규에는 8 큐비트로 확장되었다. 훈련에는 교차 엔트로피 손실(cross-entropy loss)과 함께 Adam 옵티마이저가 사용되었다. 최적화 문제를 해결하기 위해, 연구에는 Adam과 Fubini–Study/양자 피셔 정보(FS/QFI) 자연 경사법(natural-gradient methods)을 비교하는 진단 과정도 포함되었다. 강건성(robustness)은 최대 5개의 무작위 시드와 샘플 크기 확장 실험을 통해 평가되었다.

주요 기여

1. 고전적 SU(2) 모델의 성능 동등성: 본 연구는 쿼터니언 네트워크가 실수 기반 베이스라인의 성능에 지속적으로 근접하거나 일치하면서도 훨씬 적은 수의 학습 가능한 파라미터를 사용함을 보여준다 (예: MNIST에서 1,000개 대 1,738개 파라미터).
2. 얕은 VQC의 성능 미달: 얕은 양자 분류기(얽힘이 있는 모델과 없는 모델 모두)는 모든 데이터셋과 특징 정규에서 쿼터니언 네트워크보다 일관되게 낮은 성능을 보였다.
3. 얽힘 이득의 역전 현상: 얽임의 기여는 균일하지 않다. 단순한 그레이스케일 데이터셋(MNIST, FashionMNIST)에서는 완만한 이득(약 0.6 퍼센트 포인트)을 제공하지만, 고품질의 사전 학습된 ResNet18 특징을 사용하는 CIFAR-10에서는 상당한 성능 저하(약 9.25 퍼센트 포인트)를 야기한다.
4. 최적화 진단: 본 논문은 성능 격차가 단순히 옵티마이저 선택 때문이 아니라는 증거를 제시한다. FS/QFI 방법이 기하학적 정렬을 개선함에도 불구하고, Adam에 비해 단기 손실 감소를 실질적으로 개선하지 못한다는 점은 이러한 한계가 순수하게 최적화의 문제가 아니라 아키텍처의 문제임을 시사한다.

결과

• MNIST & FashionMNIST: QuatNet은 RealNet과 거의 대등한 성능을 달성했다 (예: MNIST에서 93.64% 대 93.54%). 두 양자 변형 모두 크게 뒤처졌으며, Quantum-NoEnt는 87.52%, Quantum-Ent는 88.16%를 기록했다. 얽힘은 곱 상태 회로에 비해 미미한 개선만을 제공했다.
• CIFAR-10 (학습된 병목): QuatNet은 RealNet 성능의 94.3%를 유지했다 (37.92% 대 40.23%). 양자 모델은 더 낮은 성능을 보였다 (35.10% 및 34.92%).
• CIFAR-10 (고정된 ResNet18): 더 풍부한 특징을 사용할 때 성능 격차가 벌어졌다. QuatNet은 RealNet 정확도의 97.2%를 유지했다 (45.81% 대 47.13%). 반면, Quantum-Ent는 32.46%로 떨어져, 비얽힘 변형(41.71%)보다 9.25 퍼센트 포인트 더 낮은 성능을 보였다.
• 안정성 및 비용: 양자 모델은 시드 간에 훨씬 높은 분산을 보였으며, 계산 시간도 수십 배 더 소요되었다 (예: MNIST에서 Quantum-Ent는 시드당 약 36,000초, QuatNet은 약 77초 소요). Quantum-Ent는 샘플 크기가 증가함에 따라 비단조적(non-monotonic)인 스케일링 동작을 보인 반면, QuatNet은 안정적이었다.
• 통계적 유의성: 다섯 개의 시드를 사용한 MNIST 평가에 대한 Friedman 테스트 결과, 모델 순서가 무작위가 아님이 확인되었다 ($\chi^2 = 12.796, p = 0.0051$). 사후 검정 결과, QuatNet과 양자 모델 비교에서 큰 효과 크기($d > 5$)가 나타났다.

의의 및 주장
본 논문은 고유한 양자 구조가 결여된 고전적 비전 벤치마크에서, 공유된 국소적 SU(2) 기하학만으로는 실질적인 양자 이점을 부여하기에 불충분하다고 결론짓는다. 연구 결과는 다음과 같다:

• 고전적 대안: 쿼터니언 네트워크는 단일 큐비트 양자 게이트와 동일한 국소 기하 구조를 공유하면서도 실수 기반 모델과 성능이 "일치"하고, 얕은 VQC보다 우수한 성능을 보이는 효율적이고 안정적이며 파라미터 효율적인 고전적 베이스라인 역할을 한다.
• 얕은 얽힘의 한계: 연구된 얕은 회로 범위(깊이 3)와 측정 제한 환경 내에서, 얽힘은 성능을 안정적으로 향상시키지 못한다. 오히려 얽힘은 최적화 불안정성을 증폭시키거나, 특히 풍부한 고전적 표현과 상호작용할 때 측정에 의한 정보 병목 현상을 심화시킬 수 있다.
• 주장의 범위: 저자들은 자신들의 결론을 고전적 이미지 데이터를 다루는 얕고 측정 제한적인 변분 회로로 명확히 한정한다. 이들이 더 깊은 회로, 다른 앙상블(ansatz), 또는 양자 네이티브 데이터가 이점을 제공할 수 없다고 주장하는 것은 아니다. 그러나 고전적 비전 작업에 대한 근사적 양자 이점 주장과 관련된 특정 영역에 대해, 본 연구는 공유된 SU(2) 기하학과 얕은 얽힘이 고전적 대응물에 대한 우월성을 위한 충분 조건은 아니라고 주장한다.