기술 요약: 결맞는 양자 학습을 위한 양자 해밀토니안 진화

문제 정의

현재의 양자 기계 학습(QML) 접근 방식은 주로 양자 모델을 고전적인 최적화 루프를 사용하여 훈련하는 하이브리드 패러다임에 의존합니다. 이 표준 프레임워크에서 매개변수화된 양자 회로는 특정 매개변수 설정에서 평가되며, 그래디언트는 반복적인 측정(예: 파라미터 시프트 규칙 사용)을 통해 추정되고, 매개변수는 고전적 최적화 도구에 의해 업데이트됩니다. 이 과정은 고전적 역학을 유지합니다: 즉, 양자 결맞음(coherence), 중첩(superposition), 간섭(interference)이 훈련 메커니즘 자체에서 능동적인 역할을 수행하지 않습니다.

이러한 고전적 최적화에 대한 의존은 다음과 같은 몇 가지 한계를 초래합니다:

1. 통계적 불확실성: 하이브리드 최적화는 양자 측정으로부터 발생하는 노이즈를 상속받습니다.
2. 바렌 플래토(Barren Plateaus): 표현력이 풍부한 매개변수화된 회로는 시스템 크기에 따라 지수적으로 감소하는 그래디언트 소실 문제를 겪을 수 있으며, 이는 학습 능력을 저해합니다.
3. 근본적 제약: 고전적 역전파(backpropagation)는 양자 상태의 여러 복사본에 대한 접근 없이는 양자 시스템으로 직접 전달될 수 없습니다. 왜냐하면 측정에 의한 붕괴가 중간 정보의 재사용을 방지하기 때문입니다.

본 논문은 학습이 양자 모델에 적용되는 고전적 알고리즘이 아니라, 네이티브 양자 물리 프로세스로 정식화되어야 한다고 주장합니다.

방법론: 결맞는 양자 학습 (Coherent Quantum Learning, CQL)

저자들은 양자 모델의 훈련이 모델 매개변수 자체의 결맞는 유니터리 진화(coherent unitary evolution)로 실현되는 **결맞는 양자 학습(CQL)**을 도입합니다.

핵심 개념

CQL에서 모델 매개변수 $\theta$는 양자 자유도로 격상됩니다. 고전적 최적화 도구가 그래디언트 추정치를 기반으로 $\theta$를 업데이트하는 대신, 매개변수 레지스터는 학습 목적 함수(손실 함수)를 인코딩하는 시간 의존적 해밀토니안 $\hat{H}_{CQL}(t)$에 따라 진화합니다.

해밀토니안은 다음과 같이 정의됩니다:
$$\hat{H}_{CQL}(t) = e^{\phi(t)} \left( -\frac{1}{2} \hat{P}_\theta^2 \right) + e^{\chi(t)} \hat{H}_L(x, \hat{\theta})$$
여기서:

• $\hat{P}_\theta$는 매개변수 기저에서의 운동량 연산자입니다 (탐색을 위한 운동 항으로서 작용함).
• $\hat{H}_L(x, \hat{\theta})$는 손실 함수 $L(x, \theta)$를 인코딩하는 대각 해밀토니안입니다.
• $e^{\phi(t)}$와 $e^{\chi(t)}$는 운동적 탐색과 퍼텐셜 기반 수렴 사이의 균형을 조절하는 시간 의존적 댐핑 스케줄입니다.

기술적 구현

이를 게이트 기반 양자 컴퓨터에 구현하기 위해, 저자들은 몇 가지 고급 양자 알고리즘 기법을 사용합니다:

1. 이산화 및 클락 차원(Clock Dimension): 연속적인 매개변수 공간은 $m$개의 큐비트를 사용하여 이산화됩니다. 해밀토니안의 시간 의존성(회로 모델에는 네이티브하지 않음)을 처리하기 위해, 저자들은 "클락 차원" 기법을 활용합니다. 이는 보조 클락 레지스터를 통해 힐베르트 공간을 확장하여, 시간 의존성을 클락 레지스터의 위치 연산자로 인코딩함으로써 시간 의존적 해밀토니안을 시간 독립적 해밀토니안으로 변환하는 방식입니다.
2. 블록 인코딩 및 해밀토니안 시뮬레이션: 손실 해밀토니안 $\hat{H}_L$은 블록 인코딩을 사용하여 구축됩니다. 핵심 프리미티브는 모든 매개변수 값에 대해 양자 모델을 동시에 평가하는 결맞는 모델 평가 유니터리 $U_{x,\theta}$입니다.
   • 이진 분류 작업의 경우, 손실은 올바른 분류 확률과 관련이 있습니다. 저자들은 진폭-대-대각 변환 기술(Ref. [46] 참조)을 사용하여 제곱근 형태의 손실 연산자에 대한 블록 인코딩을 구축합니다.
   • 전체 손실 해밀토니안은 제곱근 연산자들의 블록 인코딩을 곱함으로써 얻어집니다.
3. 큐비티제이션(Qubitization): 초기 상태(일반적으로 매개변수 공간에 대한 균등 중첩 상태)의 시간 진화는 큐비티제이션을 사용하여 구현되며, 이를 통해 해밀토니안 역학을 효율적으로 시뮬레이션할 수 있습니다.
4. 배치 훈련(Batched Training): 대규모 데이터셋에 대한 확장성 문제를 해결하기 위해, 저자들은 반복적인 배치 CQL 전략을 제안합니다. 데이터셋은 미니 배치로 분할됩니다. 시스템은 첫 번째 배치의 해밀토니안에 따라 진화하며, 결과로 나온 양자 상태는 다음 배치의 초기 조건 역할을 합니다. 이 순차적 프로세스는 전체 데이터셋을 동시에 인코딩하기 위해 거대한 보조 레지스터가 필요한 상황을 방지합니다.

주요 기여

1. 프레임워크 정의: 학습을 고전적 그래디언트 추정 및 피드백 루프가 필요 없는 결맞는 양자 프로세스로 보는 CQL을 일반적인 훈련 프레임워크로서 제안했습니다.
2. 명시적 구축: 블록 인코딩, 해밀토니안 시뮬레이션, 그리고 시간 의존성을 처리하기 위한 클락 차원 방법을 사용하여 임의의 매개변수화된 회로에 대한 상세한 알고리즘 구성을 제공했습니다.
3. 다재다능함: 이 프레임워크가 표준 머신 러닝 작업(변분 양자 회로 훈련)뿐만 아니라 물리적 추론 문제(알려지지 않은 해밀토니안 매개변수 추정)에도 적용될 수 있음을 입증했습니다.
4. 배치 프로토콜: 고전적 학습의 미니 배치 방식과 유사하게, 로컬 피팅과 글로벌 일반화를 균형 있게 맞추는 순차적 배치 훈련을 위한 전략을 구현했습니다.

수치적 결과

저자들은 두 가지 수치 실험을 통해 프레임워크를 검증했습니다:

1. 이진 분류:

   • 설정: 두 개의 훈련 가능한 매개-변수를 가진 단일 큐비트 데이터 리-업로딩(re-uploading) 모델을 사용하여 1D 이진 분류 작업을 수행했습니다.
   • 결과: 균등 중첩 상태에서 시작하여, 매개변수 상태의 확률 분포는 CQL 해밀토니안에 따라 진화합니다. 분포는 손실 랜드스케이프의 최솟값 근처로 점진적으로 집중됩니다. 최종 상태는 최적의 매개변수에 해당하는 이봉 분포(bimodal distribution)를 나타내며, 이는 명시적인 그래디언트 계산 없이도 그래디언트 기반 방법과 일치하는 성능을 보여줍니다.

2. 간섭계 위상 추정(Interferometric Phase Estimation):

   • 설정: 마흐-젠더 간섭계 내의 알려지지 않은 위상 변화 $\phi$를 학습합니다. 제어 가능한 위상 $\theta$가 학습할 매개변수입니다.
   • 결과: 결맞는 진화는 파동 함수를 간섭계 손실 랜드스케이프($L \propto \sin^2((\theta-\phi)/2)$)의 전역 최솟값으로 유도합니다. 확률 진폭은 실제 알려지지 않은 위상 $\phi$ 주변에 국소화되며, 이는 고전적 최적화 단계 없이 성공적인 매개변수 추정이 이루어졌음을 보여줍니다.

의의 및 주장

본 논문은 CQL이 양자 학습이 어떻게 정식화되어야 하는지에 대한 패러다임 전환을 나타낸다고 주장합니다. 학습을 결맞는 양자 진화로 취급함으로써, CQL은 중첩과 간섭를 능동적인 계산 자원으로 활용합니다.

• 네이티브 양자 훈련: 양자 시스템에 고전적 구조를 강요하는 하이브리드 방식과 달리, CQL은 양자 역학에 내재된 원리를 활용합니다.
• 잠재적 이점: 저자들은 해밀토니안 기반 최적화가 특정 설정에서 고전적 최적화에 비해 증명 가능한 계산적 이점을 제공할 수 있으며, 바렌 플래토나 측정 노이즈 문제를 완화할 수 있다고 제안합니다.
• 확장성: 이 구조는 결함 허용(fault-tolerant) 양자 컴퓨팅 아키텍처와 호환되며 배치 훈련으로 확장 가능하므로, 향후 대규모 양자 학습 응용 분야를 위한 유망한 후보가 될 수 있습니다.

결론적으로, 현재의 많은 QML 연구가 양자 환경 내에서 고전적 훈련 패러다임을 재현하려고 노력하는 반면, 더 근본적인 접근 방식은 학습 자체를 하나의 결맞는 양자 진화로 보는 것임을 시사합니다.