⚛️ quantum physics

On Embedding Design in Quantum Physics-Informed Neural Networks

본 논문은 양자 물리 정보 신경망(QPINNs)을 위한 통합 임베딩 프레임워크를 소개하고, 두 가지 새로운 방법인 LQNN-TE-QPINN과 AdaFreq-QPINN을 제안하며, 이들은 전략적인 임베딩 설계가 기존의 직접적 및 고정된 인코딩 방식과 비교하여 편미분 방정식을 해결하는 데 있어 근사 정확도와 최적화 효율성을 크게 향상시킨다는 것을 입증한다.

원저자: Ban Q. Tran, Nahid Binandeh Dehaghani, Susan Mengel, Rafal Wisniewski, A. Pedro Aguiar

게시일 2026-09-29

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Ban Q. Tran, Nahid Binandeh Dehaghani, Susan Mengel, Rafal Wisniewski, A. Pedro Aguiar

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

자연은 변화의 언어로 말합니다. 휘몰아치는 폭풍 전선에서부터 혈관을 흐르는 혈액의 흐름에 이르기까지, 물리적 세계는 양이 공간과 시간에 따라 어떻게 변하는지를 설명하는 방정식들에 의해 지배됩니다. 수십 년 동안 과학자들은 복잡한 문제를 작고 관리 가능한 조각들로 나누어 이 방정식들을 풀기 위해 강력한 컴퓨터에 의존해 왔습니다. 그러나 문제가 더 복잡해지거나 너무 많은 변수를 포함하게 되면, 이러한 전통적인 방식은 느려지고 비용이 많이 들 수 있습니다. 최근 몇 년 사이, 이러한 방정식들을 단계별로 풀어야 할 퍼즐이 아니라 기계가 학습해야 할 패턴으로 취급하는 새로운 접근 방식이 등장했습니다. '물리 정보 신경망(physics-informed neural network)'이라고 알려진 이 방법은 컴퓨터 모델이 해답을 찾는 동안 물리 법칙을 준수하도록 가르치며, 이를 통해 방대한 양의 기존 데이터 없이도 답을 찾을 수 있게 해줍니다.

이제 연구자들은 양자 역학의 독특한 특성이 이러한 학습 기계를 더욱 뛰어나게 만들 수 있는지 질문하며 이 아이디어를 한 단계 더 발전시키고 있습니다. 아원자 입자의 기묘한 원리에 따라 작동하는 양자 컴퓨터는 고전 컴퓨터가 할 수 없는 방식으로 특정 유형의 계산을 처리할 것을 약속합니다. 과제는 시공간의 좌표와 같은 실제 데이터를 이러한 취약한 양자 시스템에 어떻게 입력하느냐 하는 것입니다. 이 데이터가 양자 언어로 번역되는 방식을 '임베딩(embedding)'이라고 합니다. 이는 매우 중요한 첫 단계입니다. 만약 데이터가 잘못 번역된다면, 양자 컴퓨터가 아무리 강력하더라도 그 패턴을 학습할 수 없기 때문입니다. 지금까지 과학자들은 이 번역 단계의 설계가 최종 결과에 어떻게 영향을 미치는지 완전히 이해하지 못했습니다.

최근 한 연구에서 연구팀은 이러한 임베딩의 지형을 그려보고 어떤 설계가 가장 잘 작동하는지 테스트하기 위해 나섰습니다. 그들은 파동이 어떻게 이동하고 가팔라지는지, 즉 종종 충격파와 유사한 날카로운 전선을 형성하는 과정을 설명하는 유체 역학의 고전적 문제인 버거스 방정식(Burgers equation)에 집중했습니다. 연구팀은 고전 컴퓨터가 최적화라는 무거운 작업을 처리하고, 양자 회로가 핵심 함수 근사기 역할을 수행하는 하이브리드 시스템을 구축했습니다. 그들은 입력 데이터를 양자 시스템으로 번역하는 여러 가지 방법을 테스트했습니다. 어떤 방법은 정적인 정의 목록이 담긴 사전처럼 고정된 규칙을 사용했습니다. 반면 다른 방법들은 컴퓨터가 학습함에 따라 번uring 규칙이 변하고 적응할 수 있도록 허용했습니다.

연구진은 표준적인 접근 방식보다 더 뛰어난 성능을 낼 수 있는지 확인하기 위해 두 가지 새로운 전략을 도입했습니다. 첫 번째는 메인 계산에 들어가기 전, 데이터에 대한 맞춤형 특징을 생성하기 위해 작은 보조 양자 회로를 사용하는 시스템이었습니다. 이는 단순히 단어를 바꾸는 것이 아니라, 말하는 특정 문장에 따라 맥락과 뉘앙스를 더하는 번역가와 같습니다. 두 번째 전략은 고정된 수학 공식을 가져와 그 스케일링 인자(scaling factors)를 학습 가능하게 만들어, 학습 과정에서 데이터 인코딩의 주파수를 미세 조정할 수 있도록 한 것입니다. 그들은 이 새로운 방법들을 기존의 고정된 설계 및 순수 고전 학습 모델과 비교하여 테스트했습니다.

결과는 임베딩의 설계가 매우 중요하다는 것을 보여주었습니다. 1차원 테스트에서 보조 양자 회로를 사용하여 특징을 생성하는 새로운 시스템은 0.0916의 상대 오차를 달enc했습니다. 이는 0.4501의 오차를 보인 표준 방식보다 훨씬 뛰어났으며, 약 11배 더 많은 조절 가능한 매개변수를 필요로 하면서도 0.1233이라는 더 높은 오차율을 기록한 정교한 고전 모델보다도 우수했습니다. 고정된 공식의 주파수를 조정하는 시스템 또한 정적인 버전보다 개선되어, 단 4개의 추가 조절 가능 매개변수만으로 해석적 방법 중 가장 낮은 오차에 도달했습니다. 이러한 발견은 양자 시스템이 데이터를 보는 방식을 적응할 수 있게 함으로써, 더 적은 수의 학습 가능한 설정만으로도 훨씬 더 정확한 해답을 얻을 수 있음을 시사합니다.

연구진이 더 복잡한 2차원 버전의 문제로 넘어갔을 때, 상황은 약간 더 미묘해졌습니다. 보조 회로를 사용하는 새로운 시스템은 여전히 가장 낮은 훈련 목적 함수(training objective)를 달성하여, 학습 과정에서 물리 기반 오차를 가장 효과적으로 최소화했습니다. 그러나 이 시스템의 최종 솔루션 오차는 데이터를 회로 내에서 반복적으로 재인코딩하는 다른 방법과 명확히 구분되지 않았습니다. 이는 더 유연한 임베딩이 시스템의 학습을 돕기는 하지만, 모든 시나리오에서 완벽한 최종 답을 보장하는 것은 아니라는 점을 나타냅니다. 연구는 또한 실제 양자 하드웨어에서 발견되는 불완전함을 모사한 시뮬레이션된 노이즈 하에서 이 시스템들이 어떻게 견디는지 조사했습니다. 새로운 시스템은 예측에서 가장 낮은 절대 오차를 유지했지만, 번역 및 계산 회로 모두에 노이즈가 영향을 미칠 수 있기 때문에 더 단순한 모델들보다 노이즈에 다소 민감했습니다.

궁극적으로 이 연구는 데이터를 준비하는 방식이 컴퓨터 자체만큼이나 중요하다는 것을 보여줍니다. 임베딩을 고정된 규칙이 아닌 유연하고 학습 가능한 구성 요소로 취급함으로써, 연구자들은 물리적 문제를 해결하는 양자 모델의 정확도를 크게 향mathcal 수 있습니다. 이 연구는 모든 상황에 적용되는 단 하나의 '최선의' 설계는 없으며, 최적의 선택은 특정 문제와 가용한 자원에 달려 있다는 것을 확인시켜 줍니다. 양자 기술이 성숙해짐에 따라, 이러한 미묘한 설계 선택을 이해하는 것은 우리 세계를 지배하는 복잡한 방정식들을 해결하는 데 있어 양자 기계의 잠재력을 온전히 끌어올리는 데 필수적일 것입니다.

기술 요약: 양자 물리 정보 신경망(QPINN)에서의 임베딩 설계

문제 정의
양자 물리 정보 신경법(QPINNs)은 매개변수화된 양자 회로(PQCs)를 학습시켜 물리 기반 잔차(residual)를 최소화함으로써 편미분 방정식(PDEs)을 해결한다. QPINN의 핵심적이면서도 아직 충분히 탐구되지 않은 구성 요소는 변분 처리(variational processing) 전 단계에서 연속적인 입력 좌표(예: 공간 및 시간)를 양자 상태로 매핑하는 임베딩(또는 인코딩) 메커니즘이다. 임베딩의 선택은 변분 회로가 사용할 수 있는 특징 표현(feature representation)을 결정하며, 이는 모델의 근사 능력, 학습 가능성 및 수렴 동작에 영향을 미친다. 고전적인 물리 정보 신경망(PINNs)이 근사를 개선하기 위해 적응형 활성화 함수를 탐구해 온 것과 달리, 양자 환경에서의 임베딩 설계와 PDE 해의 표현 사이의 관계는 특히 비선형성 및 급격한 기울기를 처리하는 방식과 관련하여 여전히 충분히 이해되지 않고 있다.

방법론
저자들은 임베딩을 특징 표현을 형성하는 함수적 변환으로 공식화하는 통합 임베딩 프레임워크를 도입한다. 이 프레임ка 내에서, 저자들은 기존 방법론의 분류 체계에 맞추어 두 가지 새로운 임베딩 전략을 제안하고 평가한다:

선형 양자 신경망 학습 가능 임베딩 (LQNN-TE-QPINN): 이 접근 방식은 데이터 의존적 특징을 생성하기 위해 보조적인 학습 가능한 양자 회로를 활용한다. 이전의 곱셈 결합 방식과 달리, LQNN-TE는 이러한 특징들을 스케일링된 입력 좌표에 선형적으로 더한 후 이를 주 변분 회로로 인코딩한다. 와이어 $i$ 에 대한 인코딩 각도는 $\gamma_i = \tilde{\xi}_{j(i)} + b_i(\tilde{\xi}; \theta_{emb})$ 로 정의되며, 여기서 $b_i$ 는 보조 회로로부터의 기댓값이다.
적응형 주파수 QPINN (AdaFreq-QPINN): 이 방법은 분석적인 arccos-Chebyshev 인코딩 구조를 유지하면서, 고정된 주파수 스케일링 인자( $\lambda_k$ )를 학습 가능한 매개변수로 승격시킨다. 이를 통해 인코딩 주파수가 고전 PINN의 적응형 활성화 함수와 유사하게 최적화 과정에서 변분 회로와 함께 공동으로 적응할 수 있게 한다.

본 연구는 비선형 대류 및 확산 역학을 특징으로 하는 벤치마크 비선형 PDE인 **버거스 방정식(Burgers equations)**의 1차원 및 2차원 문제에 대해 이 방법들을 평가한다. 실험에서는 제안된 임베딩을 다음 항목들과 비교한다:

직접 좌표 인코딩 (베이스라인).
고정된 분석적 주파수 임베딩: TowerCheb, Binary, Golomb, Turnpike, Hamming (사전 정의된 정수 시퀀스를 스케일링 인자로 사용).
대안적 하이브리드 아키텍처: 고전 피드포워드 학습 가능 임베딩 (FNN-TE), 양자 보조 PINN (QA-PINN), 데이터 재업로드 QPINN (Reupload-QPINN).
고전 베이스라인: 표준 PINN 및 국소 적응형 활성화 함수 PINN (LAAF-PINN).

실험은 다양한 조건(회로 크기(폭과 깊이), 학습 예산, 시뮬레이션된 하드웨어 노이즈 채널(탈분극, 진폭/위상 감쇠, 판독 비트 플립), 유한한 측정 샷) 하에서 PennyLane과 PyTorch를 사용하여 양자 회로를 시뮬레이션하는 클래식 하드웨어에서 수행되었다.

주요 기여

통합 프레임워크: 직접, 고정 분석, 적응형 주파수, 학습 가능한 양자 임베딩의 분류 체계를 구축하여 공통된 공식화 하에서 체계적인 비교를 가능하게 하였다.
새로운 아키텍처: LQNN-TE-QPINN(보조 양자 특징의 선형 결합) 및 AdaFreq-QPINN(분석적 인코딩의 학습 가능한 주파수 스케일)을 도입하였다.
포괄적 실증 연구: 1D 및 2D 버거스 방정식에 대한 엄격한 평가를 통해 임베딩 설계가 근사 정확도, 최적화 역학 및 노이즈에 대한 견고성에 미치는 영향을 분석하였다.
트레이드오프 분석: 임베딩의 적응성이 회로 크기, 학습 예산 및 노이즈와 어떻게 상호작용하는지 조사하여, 단일하게 최적인 임베딩은 존재하지 않음을 밝혀냈다.

결과

1차원 성능:
- LQNN-TE-QPINN은 720개의 학습 가능한 매개변수를 사용하여 0.0916이라는 가장 낮은 상대 $L_2$ 오차를 달려냈다. 이는 직접 인코딩 QPINN(0.4501)과 고전 LAAF-PINN(0.1233)을 크게 상회하는 결과이며, 고전 모델이 약 11배 더 많은 매개변수를 가졌음에도 불구하고 달성한 성과이다.
- AdaFreq-QPINN은 고정 임베딩 대비 단 4개의 추가 학습 가능 매개변수만으로 가장 낮은 분석적 임베딩 오차(0.3262)를 기록하였으며, 이는 주파수 스케일을 적응시키는 것이 성능 향상에 도움이 됨을 입증한다.
- 학습 가능한 양자 임베딩(LQNN-TE)은 고정 임bed딩이 조기에 정체되는 것과 달리, 더 큰 학습 예산 범위에서도 지속적으로 성능을 개선하였다.
- 노이즈 및 안정성: 시뮬레이션된 노이즈 하에서 LQNN-TE-QPINN은 테스트된 모든 채널에서 가장 낮은 절대적 미분 오차를 유지했다. 그러나 노이즈가 보조 회로와 주 회로 모두에 영향을 미치기 때문에, 노이즈가 없는 베이스라인 대비 상대적 성능 저하는 가장 높게 나타났다.
2차원 성능:
- LQNN-TE-QPINN은 가장 낮은 물리 정보 기반 학습 목적 함수(200 에포크에서 0.298)를 달성했으나, 테스트된 예산 범위 내에서 솔루션 오차 측면에서는 Reupload-QPINN(40.58 vs. 39.11)과 명확한 차이를 보이지 않았다.
- 연구는 학습 목적 함수(loss)와 솔루션 오차 사이의 괴리를 강조하였으며, 서로 다른 임베딩 패밀리를 비교할 때 손실을 최소화하는 것이 항상 가장 낮은 솔루션 오차를 보장하지는 않는다는 점을 지적하였다.
일반적 관찰 사항:
- 회로 폭 vs. 깊이: 주 변분 회로의 폭을 늘리는 것이 깊이를 늘리는 것보다 솔루션 오차를 줄이는 데 더 강력한 영향을 미쳤다.
- 임베딩 적응성: 더 높은 적응성(LQNN-TE)을 가질수록 높은 정확도를 얻을 수 있지만, 더 많은 학습 가능한 매개변수와 복잡한 최적화 지형을 동반한다. 적응형 주파수 임베딩(AdaFreq)은 최소한의 매개변수 오버헤드로 고정 분석 임베딩보다 성능을 개선하는 경軽量한 대안을 제공한다.

의의 및 주장
본 논문은 임베딩 설계가 QPINN의 근사 및 최적화 동작에 상당한 영향을 미친다고 주장한다. 연구 결과는 다음과 같다:

임베딩 깊이가 풍부한 특징 맵을 공급할 만큼 충분하다면, 학습 가능한 양자 임베딩은 고전적 대응물보다 적은 매개변수로 높은 정확도를 달성할 수 있다.
인코딩 주파수를 적응시키는 것(AdaFreq)은 고정된 분석적 임베딩보다 성능을 개선하는 저비용 메커니즘이다.
보편적으로 최적인 임베딩은 존재하지 않으며, 고정형, 적응형, 학습 가능 임베딩의 상대적 이점은 대상 문제, 회로 아키텍처 및 훈련 구성에 따라 달라진다.
학습 목적 함수와 솔루션 오차 사이에는 중요한 구분이 존재하며, 하나를 최적화한다고 해서 다른 하나가 반드시 보장되는 것은 아니므로 두 지표를 별도로 보고해야 한다.

저자들은 제한 사항으로, 2차원 비교에서 예산 제약과 시뮬레이션의 비결정성으로 인해 LQNN-TE-QPINN과 Reupload-QPINN을 명확히 구분하지 못했다는 점을 언급했다. 또한, LQNN-TE-QPINN이 노이즈 하에서 가장 낮은 절대 오차를 기록했음에도 불구하고, 노이즈가 임베딩과 솔버 회로 모두에 영향을 미치는 특성 때문에 상대적 성능 저하가 가장 컸다는 점을 들어, 이것이 본질적으로 노이즈에 강한 것은 아님을 밝혔다. 향후 연구는 더 긴 학습 예산, 노이즈 완화 전략 및 미학습 데이터에 대한 일반화에 초점을 맞출 예정이다.

유사한 논문