기술 요약: CoQui – 좌표 조건부 양자 암시적 생성적 적대 신경망 (Coordinate-Conditioned Quantum Implicit Generative Adversarial Network)

문제 정의

이미지 생성을 위한 기존의 양자 생성적 적대 신경망(QGAN)은 픽셀 강도를 양자 상태의 진폭(amplitude)으로부터 직접 매핑하는 패러다임에 주로 의존합니다. 저자들은 이러한 접근 방식에서 두 가지 결정적인 한계를 식별했습니다:

1. 확장성 문제: 픽셀 위치를 계산 기저 인덱스(computational-basis indices)나 주소 큐비트로 인코딩하면, 필요한 양자 상태 차원이나 큐비트의 수가 이미지 해상도에 따라 선형적으로 증가하게 됩니다.
2. 픽셀 결합 및 제어: 기존 방식은 여러 픽셀을 하나의 또는 몇 개의 정규화된 양자 상태로부터 공동으로 디코딩합니다. 이는 픽셀들이 확률 질량(probability mass)을 두고 서로 경쟁하게 만들어, 개별 픽셀 값을 정밀하게 제어하기 어렵게 만듭니다. 이로 인해 생성된 이미지는 실제 데이터 분포에 비해 전반적인 밝기가 낮아지거나 진폭 분포가 불균일해지는 결과가 자주 발생합니다.

또한, 많은 기존 접근 방식은 양자 회로를 직접적인 픽셀 수준의 생성을 수행하는 데 사용하기보다는, 압축된 고전적 표현을 모델링하는 데에만 사용합니다.

방법론: CoQui 프레임워크

이러한 한계를 해결하기 위해, 본 논문은 CoQui(Coordinate-conditioned Quantum Implicit GAN)를 제안하며, 이미지 생성을 좌표 조건부 암시적 함수 학습(coordinate-conditioned implicit function learning) 문제로 재정의합니다. 진폭을 픽셀로 매핑하는 대신, Coqui는 공간 좌표에서 신호 값으로의 연속적인 매핑을 학습합니다.

1. 핵심 아키텍처

프레임워크는 다음과 같이 작동합니다:

• 입력: 생성기는 공간 좌표 $c = (x, y)$와 잠재 변수 $z$를 입력으로 받습니다.
• 고전적 임베딩: 고전적 신경망 $\Gamma$는 $c$의 위치 인코딩(positional encoding)과 잠재 코드 $z$가 결합된 것을 처리합니다. 이는 매개변수화된 양자 회로(PQC)의 회전 각도를 정의하는 파라미터를 출력합니다.
• 양자 생성기: PQC는 특정 좌표 위치에서 이미지를 평가합니다.
  • 큐비트 할당: 회로는 $N_q = N_f + 1$개의 큐비트를 사용합니다. 하나의 큐비트($q_0$)는 픽셀 판독을 위한 컬러 큐비트(color qubit) 역할을 하며, 나머지 $N_f$개의 큐비트는 암시적 공간 특징을 인코딩하는 특징 큐비트(feature qubits) 역할을 합니다.
  • 회로 구조: 회로는 다음을 포함하는 $L$개의 반복되는 레이어로 구성됩니다:
    • 컬러 큐비트 밝기 초기화: 평균 밝기를 설정하기 위한 학습 가능한 $R_Y$ 회전.
    • 스케일링된 데이터 재업로딩(Scaled Data Re-uploading): 레이어별 스케일 및 바이어스 파라미터가 입력 각도를 조절하여, 각 레이어가 좌표-잠재 신호를 강조하거나 감쇄할 수 있도록 합니다.
    • 로컬 회전 및 얽힘: 특징 큐비트는 상관관계를 모델링하기 위해 로컬 회전과 링 토폴로지(ring-topology) CNOT 얽힘을 거칩니다.
    • 특징-투-컬러 쓰기(Feature-to-Color Writing): 제어된-$R_Y$ 게이트가 특징 큐비트로부터 컬러 큐비트로 정보를 전달하여, 컬러 출력이 특징 표현에 명시적으로 의존하도록 만듭니다.
    • 컬러 잔차 업데이트(Color Residual Update): 컬러 큐비트에 대한 추가적인 학습 가능한 회전은 레이어를 가로질러 픽셀 강도를 정교화합니다.
• 픽셀 판독: 픽셀 강도는 상태 진폭에서 유도되는 것이 아니라, 컬러 큐비트에 대한 파울리-$Z$ 관측값의 기대값으로 직접 판독됩니다: $G(c, z) = (1 - \langle Z_0 \rangle)/2$.
• 이미지 합성: 전체 이미지는 모든 공간 좌표 $(i/W, j/H)$에서 생성기를 쿼리함으로써 생성됩니다.

2. 학습 목적 함수

Coqui는 고전적 판별자(critic)를 사용하여 실제 이미지와 생성된 이미지를 구별하는 Wasserstein GAN with Gradient Penalty (WGAN-GP) 목적 함수를 사용하여 학습됩니다.

주요 기여

본 논문은 세 가지 주요 기여를 설명합니다:

1. 좌표 조건부 패러다임: Coqui는 생성을 좌표에서 픽셀 강도로의 연속적인 매핑으로 취급함으로써 큐비트 수를 이미지 해상도와 분리합니다. 이는 진폭 매핑 방식에 내재된 픽셀 간의 확률 질량 경쟁 문제를 제거합니다.
2. 구조적 편향을 가진 양자 회로: 저자들은 구조적 귀납적 편향(structural inductive bias)을 가진 특화된 PQC를 설계했습니다. 특징 큐비트를 사용하여 전용 컬러 큐비트를 제어 가능하게 조절함으로써, 모델은 조건부 픽셀 생성 능력을 향상시키고 표현력을 높입니다.
3. 경험적 성능: 체계적인 시뮬레이션을 통해 Coqui가 훨씬 적은 수의 큐비트를 사용하면서도 진폭 매핑 베이스라인(PQWGAN 및 Jäger 등의 Quantum Wasserstein QGAN)보다 우수한 시각적 품질과 정량적 성능을 달avis함을 입증했습니다. 또한, 유사한 파라미터 규모를 가진 고전적 베이스라인과 비교하여 경쟁력 있는 성능을 보여주었습니다.

실험 결과

실험은 JAX 프레임워크를 사용한 시뮬레이션 환경에서 MNIST 및 Fashion-MNIST 데이터셋(28x28 해상도)에 대해 수행되었습니다.

• 자원 효율성: Coqui는 단 5개의 큐비트(1 컬러 + 4 특징)와 단일 양자 회로를 사용하여 전체 이미지를 생성합니다. 대조적으로, 진폭 매핑 베이스라인은 동일한 작업을 위해 훨씬 더 많은 자원을 필요로 합니다(예: PQWGAN은 동일 작업에 192개의 큐비트와 32개의 회로가 필요함).
• 정량적 성능:
  • Coqui는 10개의 MNIST 클래스 중 4개에서, Fashion-MNIST 10개 클래스 중 7개에서 고전적 INR-GAN과 비교하여 최고 또는 공동 최고 수준의 FID 점수를 달성했습니다.
  • Coqui는 시각적 품질과 FID 점수 모두에서 PQWGAN 및 표준 설정의 Quantum Wasserstein QGAN을 능가했습니다.
  • Coqui는 픽셀 결합으로 인해 흐릿한 샘플을 생성했던 진폭 매핑 방식에 비해 더 나은 저수준 시각 통계(밝기 및 Sobel 에지 일관성)를 보여주었습니다.
• 절제 연구(Ablation Studies):
  • 회로 아키텍처: 제안된 구조적 회로(특징-투-컬러 변조)는 하드웨어 효율적 안사츠(hardware-efficient ansatz)보다 FID, JSD 및 에지 통계에서 더 우수한 성능을 보였습니다.
  • 구성 요소: 스케일링된 데이터 재업로딩을 제거했을 때 가장 큰 성능 저하가 발생했습니다(FID가 약 40에서 56으로 증가). 이는 레이어별 입력 스케일링의 중요성을 강조합니다.
  • 용량: 특징 큐비트를 4개 이상으로 늘리거나 회로 깊이를 20 레이어 이상으로 늘리는 것은 수익 체감 또는 약간의 성능 저하를 초래하여, 얕거나 중간 정도의 깊이의 회로가 이 작업에 충분함을 시사했습니다.

의의 및 주장

본 논문은 Coqui가 엔드-투-엔드 양자 이미지 생성의 중요한 진전임을 주장합니다. 진폭 매핑에서 좌표 조건부 암시적 학습으로 전환함으로써, 이 방법은 QGAN의 근본적인 확장성 병목 현상을 해결하여 큐비트 수의 비례적 증가 없이 고해상도 이미지 생성을 가능하게 합니다.

저자들은 이 접근 방식이 이미지 분포를 모델링하는 데 있어 더 유연한 경로를 제공하며, 전역 확률 정규화의 제약 없이 개별 픽셀 값을 정밀하게 제어할 수 있게 한다고 강조합니다. 현재 평가는 노이즈가 없는 흑백 벤치마크에 대한 고전적 시뮬레이션으로 제한되어 있지만, 이 연구는 향후 고해상도 및 컬러 이미지 생성으로의 확장이 가능한 실제 양자 장치 배포를 위한 토대를 마련합니다.