⚛️ quantum physics

Bernstein-Vazirani Networks: Quantum Machine Learning by Interference

이 논문은 푸리에 또는 문제 적응형 기저에서의 양자 간섭을 활용하여 보편적 함수 근사 및 비전과 표현 학습 작업에서의 강력한 일반화를 달성하는 비변분적, 그래디언트 프리 양자 머신러닝 프레임워크인 번스타인-바이라니 네트워크(Bernstein-Vazirani Networks, BVNs)를 소개한다.

원저자: Natacha Kuete Meli, Tolga Birdal, Prayag Tiwari, Vladislav Golyanik, Michael Moeller

게시일 2026-08-20

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Natacha Kuete Meli, Tolga Birdal, Prayag Tiwari, Vladislav Golyanik, Michael Moeller

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

컴퓨팅 영역에서, 가장 강력한 고전적 기계들조차 해결하지 못하는 문제들을 풀기 위해 양자 역학의 기묘한 법칙을 활용하려는 야심이 커지고 있습니다. 양자 머신러닝으로 알려진 이 분야는 전통적인 컴퓨터의 이진 스위치가 아니라, 양자 입자의 유동적이고 중첩된 상태를 기반으로 작동하는 지능형 시스템을 구축하고자 합니다. 수년 동안 지배적인 전략은 인간의 뇌가 학습하는 방식을 모방하는 것이었습니다. 즉, 복잡한 네트워크 내에서 수백만 개의 작은 조절 장치, 즉 매개변수를 적절한 답을 얻을 때까지 조정하는 방식입니다. 그러나 이러한 접근 방식은 한계에 부착했습니다. 이러한 조절 장치를 튜닝하는 과정은 종종 느리고, 막다른 길에 갇히기 쉬우며, 기계가 실제로 학습하고 있는지 확인하기 위해 엄청난 횟수의 시도를 필요로 합니다. 연구자들은 전통적인 훈련의 느린 시행착오 과정을 우회할 수 있는, 양자 컴퓨터를 가르치는 근본적으로 다른 방법이 있을지 의문을 갖기 시작했습니다.

한 연구팀은 간섭(interference)이라는 원리를 활용하여 '조절 장치 튜닝'이라는 개념을 버린 '번스타인-버지니언 네트워크(Bernstein–Vazirani Networks)'라는 새로운 방법을 제안했습니다. 양자 세계에서 입자는 동시에 여러 상태로 존재할 수 있으며, 이 상태들이 만날 때 연못의 물결처럼 서로를 증폭시키거나 혹은 서로를 상쇄시킬 수 있습니다. 연구자들은 모델을 데이터에 맞추기 위해 천천히 조정하는 대신, 가능한 모든 해답의 버전을 중첩 상태에 배치하고 데이터 자체가 간섭을 유도하도록 할 수 있다는 점을 깨달았습니다. 그렇게 함으로써 올바른 패턴은 자연스럽게 표면 위로 떠오르고, 잘못된 패턴은 서로 상쇄되도록 만든 것입니다. 1990년대의 고전적인 양자 알고리즘에서 영감을 받은 이 접근 방식은 기울기를 계산하거나 매개변수를 조정하는 무거운 계산적 부담 없이 시스템이 학습할 수 있게 하여, 인공지능을 향한 새로운 길을 제시합니다.

이 새로운 프레임워크의 핵심은 학습을 바라보는 관점의 변화에 있습니다. 모델이 시간이 지남에 따라 서서히 개선되는 최적화 과정이 아니라, 연구자들은 학습을 '발견'의 문제로 취급합니다. 혼란스러운 소음 속에 숨겨진 특정 멜로디를 찾는 상황을 상상해 보십시오. 전통적인 방식은 오직 맞는 음만 남을 때까지 모든 틀린 음의 볼륨을 천천히 줄이는 과정을 포함할 수 있습니다. 그러나 새로운 접근 방식은 틀린 음들이 즉각적으로 서로를 상쇄하도록 소음을 배치하여 멜로디가 명확하게 울려 퍼지게 하는 것과 같습니다. 실험에서 연구팀은 양자 간섭을 사용하여 데이터셋의 핵심 특징을 단 한 번의 단계로 추출할 수 있음을 입증했습니다. 그들은 꽃과 펭귄 이미지를 분류하고 2차원 격자 위의 복잡한 모양을 맞추는 등 다양한 과업에 대해 이를 테스트했습니다. 이러한 시뮬레이션에서 시스템은 높은 정확도로 올바른 결정 경계를 식별해 냈으며, 종종 다른 방법들이 요구하는 데이터의 극히 일부만을 사용했습니다.

데이터가 결코 완벽하게 깔끔하지 않은 실제 세계의 문제에 이 방식을 적용하기 위해, 연구자들은 이 네트워크의 '일반화된' 버전을 개발했습니다. 원래의 알고리즘은 정답이 단순한 직선일 때 가장 잘 작동했지만, 대부분의 현실 세계 패턴은 곡선적이고 복형적입니다. 일반화된 버전은 간섭이 일어나기 전에 데이터를 재형성할 수 있는 유연한 층을 도입하여, 시스템이 더 복잡한 형태를 다룰 수 있도록 합니다. 이러한 적응은 매우 중요했습니다. 4차원 데이터셋을 포함한 테스트에서 표준 버전은 어려움을 겪었지만, 일반화된 버전은 데이터의 복잡성에 적응하여 최고의 고전적 모델들과 대등한 정확도를 달-성했습니다. 연구자들은 시스템이 방대한 잠재적 솔루션의 배열으로부터 동시에 샘플링할 수 있도록 함으로써, 다른 양자 학습 기법들을 괴롭히는 국소 최적해(local minima)의 함정을 피하며 목표 함수를 놀라운 효율성으로 재구성할 수 있음을 발견했습니다.

이 시뮬레이션 결과는 그 효율성 면에서 놀라웠습니다. 연구팀이 매개변수 튜닝에 의존하는 기존 양자 모델들과 이 방법을 비교했을 때, 속도의 차이는 상당했습니다. 전통적인 양자 모델은 학습을 검증하기 위해 수천 번의 시도가 필요했던 반면, 새로운 간섭 기반 접근 방식은 훨씬 적은 측정만으로도 비슷하거나 더 나은 정확도에 도달했습니다. 이미지 표현과 관련된 특정 테스트에서, 새로운 방법은 현재 기술로 감당할 수 있는 수치인 만 번의 샷(shots)만으로도 명확하고 일관된 이미지를 생성했습니다. 반면, 다른 양자 접근 방식들은 대등한 결과를 얻기 위해 훨씬 더 많은 계산 자원과 시간을 필요로 했습니다. 연구자들은 자신들의 방법이 양자 하드웨어를 괴롭히는 종류의 노이즈에 특히 강하며, 시스템이 실제적인 오류에 노출되었을 때도 성능을 유지한다고 언급했습니다.

이러한 성공에도 불구하고, 연구자들은 자신의 발견을 시뮬레이션의 맥락 내에서 신중하게 규정하고 있습니다. 실험은 양자 행동을 모사하는 고전 컴퓨터에서 실행되었으므로, 결과가 아직 실제 양자 하드웨어에서 테스트된 것은 아닙니다. 그들은 이 접근 방식을 더 큰 실제 데이터셋으로 확장하는 데 있어, 특히 자신들이 설계한 수학적 프레임워크에 완벽하게 들어맞지 않는 데이터를 어떻게 처리할 것인가와 같은 과제가 있음을 인정합니다. 그들은 향-후 연구에서 데이터 준비 방식과 간섭 패턴을 구성하는 방식을 정교화하여 현실 세계의 무질서함을 다룰 수 있어야 한다고 제안합니다. 그러나 개념 증명은 명확합니다. 간섭의 자연적인 물리학을 활용함으로써, 오늘날의 분야를 지배하는 최적화 중심 모델과는 근본적으로 다르면서도 더 빠르고 효율적인 학습 모델을 구축하는 것이 가능하다는 점입니다.

이 연구의 함의는 단순히 속도에만 국한되지 않습니다. 느린 반복적 훈련 루프의 필요성을 제거함으로써, 연구자들은 근접 양자 장치(near-term quantum devices)에 배치될 수 있는 새로운 클래스의 양자 알고리즘에 대한 문을 열었습니다. 이러한 장치들은 복잡한 상태를 유지하는 능력은 제한적이지만, 이 방법이 의존하는 특정한 간섭 연산을 수행할 수 있는 능력을 갖추고 있습니다. 만약 이 접근 방식이 물리적 하드웨어로 성공적으로 이전될 수 있다면, 과학자들은 현재 요구되는 에너지와 시간의 극히 일부만을 사용하여 복잡한 분류 및 표현 문제를 해결할 수 있을 것입니다. 이 연구는 양자 머신러닝의 미래가 더 크고 복잡한 네트워크를 구축하는 데 있는 것이 아니라, 자연이 이미 제공하고 있는 신호에 더 똑똑하게 귀를 기울이는 방법에 있을 수 있음을 시사합니다.

결론적으로, 이 논문은 현상 유지(status quo)에 대한 설득력 있는 대안을 제시합니다. 이는 학습이 반드시 느리고 고된 조정 과정이어야 한다는 가설에 도전하며, 학습이 오히려 잘못된 가능성들이 상쇄됨으로써 정답이 스스로를 드러내는 명료한 순간이 될 수 있음을 제안합니다. 연구자들은 기계가 학습하는 근본적인 메커니즘을 재고함으로써, 강력하면서도 효율적인 결과를 얻을 수 있음을 보여주었습니다. 시뮬레이션에서 실질적인 응용으로 가는 여정은 길지만, 그들이 그려낸 경로는 한동안 돌파구를 찾아 헤매온 이 분야에 유망한 방향을 제시합니다. 이 연구는 때때로 최선의 해결책을 찾는 방법은 그것을 억지로 만들어내는 것이 아니라, 문제의 기저에 깔린 구조가 스스로를 드러내도록 하는 것임을 입증하는 증거입니다.

기술 요약: 번스타인-바지라니 네트워크 (Bernstein–Vazirani Networks, BVNs)

1. 문제 정의

현재의 양자 기계 학습(QML) 접근 방식은 주로 경사 하강법 기반 최적화를 통해 훈련되는 매개변수화된 양자 회로(Parametrised Quantum Circuits, PQCs)에 의존합니다. 이러한 방법들은 다음과 같은 심각한 난관에 직면해 있습니다:

훈련성 문제: 시스템 크기에 따라 그래디언트(gradient)가 지수적으로 소멸하여 최적화를 불가능하게 만드는 "배런 플레이토(barren plateaus)" 현상이 만연해 있습니다.
계산 오버헤드: 파라미터 시프트 규칙(parameter-shift rules)과 같은 그래디언트 평가와 측정 노이즈가 결합되면 엄청난 수의 샷(shots)이 필요합니다 (예: 104개의 매개변수를 가진 104-PQC를 사용하여 MNIST 데이터셋의 한 에포크를 수행하는 데 약 $10^{15}$ 샷 필요). 이는 이론적 표현력과 실제적 효율성 사이의 간극을 만듭니다.
구조적 불일치: 고전 신경망은 비선형 활성화 함수에 의依赖하는 반면, 폐쇄된 양자 시스템은 선형적이고 유니터리하게 진화합니다. PQC에서 비선형성은 주로 불리언 인코딩(Boolean encodings)이나 고전적인 외부 루프 최적화를 통해 복구되는데, 이는 다시 고전적인 병목 현상을 재도입합니다.

나아가, 푸리에 샘플링(Fourier sampling)을 통한 학습을 위해 기존의 양자 알고리즘(Deutsch–Jozsa 또는 Shor 알고리즘 등)을 재용도화하려는 시도들은 "누설(leakage)" 문제로 어려움을 겪어왔습니다. 즉, 단일 주파수가 데이터를 완벽하게 맞추지 못할 때 정보가 손실되어 실질적인 검증이 불가능해지는 문제입니다.

2. 방법론

저자들은 그래디언트 기반 최적화를 완전히 우회하여 양자 간섭을 활용하는 비-변분적(non-variational) QML 프레임워크인 **번스타인-바지라니 네트워크(BVNs)**를 소개합니다.

2.1. 표준 BVN (Standard BVNs)

번스타인-바지라니(BV) 알고리즘에서 영감을 받은 표준 BVN은 학습을 매개변수 최적화가 아닌 주파수 발견 문제로 취급합니다.

메커니즘: 레이블이 지정된 데이터를 중첩 상태에 배치합니다. 함수 오라클은 레이블을 위상 변화(phase shifts)로 인코딩합니다. 하다마르 변환(Hadamard transform)은 푸리에 기저(Fourier basis)에서 간섭을 유도합니다.
신경망 해석: 네트워크는 은닉 유닛이 이진 입력에 대해 패리티 활성화 $\chi_y(x) = (-1)^{y \odot x}$ 를 계산하는 2층 구조로 간주됩니다. 출력은 푸리에 계수 $\hat{f}(y)$ 를 통해 이를 집계합니다.
샘플링: 측정은 확률이 $|\hat{f}(y)|^2$ 에 비례하는 기저 벡터 $y$ 를 샘플링합니다. 만약 대상 함수가 선형이라면(BV 약속을 만족한다면), 단 한 번의 측정으로 해답을 찾아낼 수 있습니다.

2.2. 일반화된 BVN (Generalised BVNs)

실제 데이터는 (표준 푸리에 기저에서 희소하기 때문에) 완벽하게 선형적이지 않다는 한계를 해결하기 위해, 저자들은 일반화된 BVN을 제안합니다.

문제 적응형 기저: 고정된 패리티 함수 대신, 이 프레임워크는 "문제 적응형" 기저에서 간섭이 일어나도록 허용합니다. 이는 보조 레지스터에서 계산되는 표현식 $\eta_t(x)$ 와 매개변수 레지스터 $t$ 에 의해 제어되는 **표현력 있는 표현(expressive representation)**을 도입함으로써 달성됩니다.
아키텍처:
1. 중첩(Superposition): 입력 $x$ , 표현 매개변수 $t$ , 그리고 가중치 구성이 균등 중첩 상태에 놓입니다.
2. 표현(Representation): 유니터리 회로가 $\eta_t(x)$ 를 계산합니다 (예: 매개변수 종속적 하이퍼-렉탱글(hyper-rectangles)을 활성화하는 구조화된 "직사각형" 표현).
3. 오라클 및 간섭: 오라클은 정답 레이블을 마킹합니다. 간섭 연산자(Hadamard, Fourier, 또는 Chebyshev)가 입력 및 표현 레지스터에 작용합니다.
4. 기저 함수: 결과적인 기저 함수는 $\chi_{yzt}(x) = \sqrt{m}\xi_y(x)\xi_z(\eta_t(x))$ 형태를 취하며, 여기서 $\xi$ 는 표준 기저 함수입니다.
암묵적 앙상블: 이 모델은 여러 고품질의 서브 네트워크 구성을 암묵적으로 샘플링합니다. 단일 최적 구성을 찾는 대신, 대상 함수를 근사하기 위해 샘플링된 여러 구성을 집계합니다.
계수 재구성: "누설" 문제(샘플링된 기저가 과완전하거나 비직교적인 경우)를 처리하기 위해, 저자들은 샘플링된 기저 함수들에 대해 **릿지 회귀(ridge regression)**를 사용하여 푸리에 계수 $\hat{f}(yzt)$ 를 재구성합니다. 이 단계는 그래디언트가 필요 없으며 계산 효율적입니다.

2.3. 간섭 연산자 (Interference Operators)

이 프레임워크는 모델의 표현력을 조절하기 위해 다양한 간섭 연산자를 지원합니다:

Hadamard: 계단형 패턴을 생성합니다 (표준 BV).
Fourier: 더 부드러운 변화를 산출합니다.
Chebyshev: 이산화된 노드 상에서 체비쇼프 다항식을 구성하여, 연속적인 입력에 적합한 부드러운 변화를 제공합니다.

3. 주요 기여

번스타인-바지라니 네트워크 (BVNs): 매개변수 최적화 대신 양자 간섭을 통해 지배적인 기저 함수를 발견함으로써 함수 근사를 수행하는 새로운 클래스의 QML 모델입니다.
일반화된 BVNs: 풍부한 특징 샘플링과 더 나은 데이터 피팅을 가능하게 하기 위해 표현력 있는, 매개변수 종속적 입력을 포함하는 확장 모델입니다.
누설 해결: 샘플링된 기저 함수로부터 정보를 집계하고 대상 함수의 최적 근사를 회복하기 위해 릿지 회귀를 사용하는 계수 재구성 방법입니다.
그래디언트 프리 훈련: 이 접근 방식은 고전적인 외부 루프 최적화와 파라미터 시프트 규칙의 필요성을 제거하여, 배런 플레이토와 높은 샷 카운트 요구 사항을 피합니다.

4. 실험 결과

저자들은 노이즈가 없는 시뮬레이션(Pennylane의 lightning.qubit)을 사용하여 합성 및 실제 데이터 태스크에 대해 BVN을 검증했습니다.

2D 분류: 합성 데이터셋(blobs, moons, circles, hand-crafted shapes)에 대해, 일반화된 BVN은 훈련 데이터의 50%만 사용하여 100%에 가까운 정확도를 달양성하였으며, 이는 표준 BVN, 다층 퍼셉트론(MLP), 서포트 벡터 머신(SVM), 단일 큐비트 분류기(SQC)를 능가했습니다. 특히 고주파 형상에 대해서는 Chebyshev 간섭를 사용한 일반화된 BVN이 강점을 보였습니다.
실제 데이터 분류 (Iris & Penguins): 4D 데이터셋에 대해, 일반화된 BVN은 샘플링 누설을 완화하기 위한 "더미 채우기(dummy filling)"(채워지지 않은 데이터 포인트에 0이 아닌 레이블을 할당)를 사용할 때 25%의 데이터만으로 90% 이상의 정확도를 달성했습니다. 이들은 고전적 베이스라인(MLP, SVM) 및 SQC와 대등한 성능을 보였습니다.
암묵적 이미지 표현: BVN은 64x64 이미지를 128x128 그리드 상에서 피팅하는 테스트를 거쳤습니다. 일반화된 BVN은 경쟁력 있는 PSNR과 MSE를 달성했으며, 샘플링 효율성 측면에서 최근의 양자 모델(QIREN, QVF)을 능가했고, 시각적 일관성 면에서는 종종 고전적 모델(SIREN, MLP+RFF)과 대등하거나 이를 뛰어넘었습니다.
효율성: BVN은 PQC 기반 모델에 비해 현저히 낮은 실행 시간과 샷 수를 보여주었습니다. 예를 들어, BVN은 시뮬레이션에서 SQC 또는 QIREN보다 2~3 자릿수 더 빨랐습니다.
강건성: NISQ 스타일의 노이즈 모델 하에서도, 일반화된 BVN은 15초 미만의 실행 시간 내에 경쟁력 있는 정확도(0.92)를 유지한 반면, SQC는 유사한 결과를 얻기 위해 수 시간의 훈련이 필요했습니다.

5. 의의 및 주장

본 논문은 BVN이 매개변수 최적화에서 간섭을 통한 주파수 발견으로 패러다임을 전환하는 개념적으로 새로운 프레임워크라고 주장합니다.

효율성: 그래디언트 추정을 위한 높은 샷 카운트 요구 사항과 배런 플레이토 문제를 피함으로써, BVN은 지도 학습에서 양자 우위를 점하기 위한 더 실질적인 경로를 제공합니다.
표현력: 일반화된 BVN 프레임워크는 양자 간섭이 여러 서브 네트워크 구성을 물리적 훈련 비용 없이도 암묵적으로 생성하고 집계할 수 있음을 입증합니다.
보편성: (과완전한) 간섭 기저를 통해 BVN은 보편적 함수 근사를 달성합니다.

저자들은 한계점도 인정했는데, 일반화된 BVN이 합성 데이터에서는 잘 작동하지만 실제 데이터로 확장할 때 여전히 스펙트럼 누설이 발생하며, 현재의 "직사각형" 표현식이 아티팩트를 유발할 수 있다는 점을 언급했습니다. 그들은 향-후 연구가 데이터 구조와 더 잘 정렬되도록 기저 엔지니어링과 더 부드러운 표현식에 집중해야 한다고 제안했습니다.