Fourier-Geometric Circuit Design for Gate and Entanglement Placement in Quantum Neural Networks

기술 요약: 양자 신경망의 게이트 및 얽힘 배치를 위한 푸리에 기하학적 회로 설계

문제 정의

매개변수화된 양자 회로(Parameterized Quantum Circuits, PQCs)는 근미래 양자 머신러닝(QML)의 표준 프레임워크로 자리 잡았습니다. 그러나 그 설계 방식은 수학적 근거에 기반하기보다는 소수의 회로 템플릿 카탈로그에 의존하는 휴리스틱한 방식에 머물러 있습니다. 기존 연구(예: Schuld et al., 2021; Pérez-Salinas et al., 2020)는 PQC의 출력이 데이터 인코딩 게이트에 의해 결정되는 주파수를 가진 유한 푸리에 급수로 표현될 수 있음을 입증했지만, 중요한 간극이 존재합니다. 즉, 어떤 주파수가 접근 가능한지 아는 것만으로는 해당 푸리에 계수가 반드시 0이 아니라는 것을 보장할 수 없다는 점입니다.

기존의 분석들은 사전에 정의된 회로의 스펙트럼 특성을 규명하는 데 집중했을 뿐, 특정 목표 계수를 도달 가능하게 만들기 위해 학습 가능한 게이트와 얽힘 게이트를 어떻게 배치해야 하는지에 대한 명시적인 설계 기준을 제공하지 못했습니다. 결과적으로, 과학적 머신러러닝(예: 편미분 방정식 풀이)과 같은 과업에 필요한 고주파 성분을 활성화하기 위해 로컬 회전(local rotations)과 얽힘 층(entangling layers)을 어디에 배치해야 하는지는 여전히 불분명합니다.

방법론

저자들은 인코딩 생성자(encoding generator)의 **수반 작용(adjoint action)**을 사용하여 연산자 공간을 분해하고 명시적인 회로 설계 규칙을 도출하는 기하학적 프레임워크를 제안합니다.

1. 불변 부분 공간 분해 (Invariant Subspace Decomposition):
   인코딩 생성자 $G$의 수반 사상 $\text{ad}_G(\cdot) = [G, \cdot]$를 사용하여, 힐베르트-슈미트 연산자 공간 $\mathcal{B}(\mathcal{H})$를 두 차원의 불변 평면으로 분해합니다. 각 평면은 특정 주파수 $\omega$에 의해 인덱싱되며, 한 쌍의 연산자 $(X_{\omega,r}, Y_{\omega,r})$에 의해 생성됩니다. 인코딩 유니터리 $S(x) = e^{-ixG/2}$ 하에서, 이 평면들은 $\omega$에 의해 결정되는 속도로 회전합니다.

2. 정확한 푸리에 계수 표현 (Exact Fourier Coefficient Expression):
   본 논문은 각 푸리에 계수를 유효 상태($\rho$)와 유효 관측량($O$)의 이러한 불변 평면에 대한 이선형 투영(bilinear projections)의 합으로 나타내는 정확한 식을 도출합니다. 구체적으로, 주파수 $\omega$에서의 계수는 $\rho$와 $O$가 모두 $\omega$와 관련된 적어도 하나의 평면에 지지체(support)를 가질 때만 0이 아닙니다.

3. 얽힘 및 다중 큐비트 지지체 (Entanglement and Multi-Qubit Support):
   이 분석은 고주파 평면이 혼합된 다중 큐비트 파울리 문자열(Pauli strings)에 의해 생성됨을 밝혀냅니다. 로컬 연산만으로는 이러한 평면에 대한 지지체를 생성할 수 없습니다. 저자들은 이징 얽힘기(Ising entangler)(교환 가능한 $Z_a Z_b$ 결합)를 활용하여, 얽힘 게이트가 로컬 연산자(예: $X_n$ 또는 $Y_n$)를 이웃 노드들을 포함하는 문자열으로 변환함으로써 어떻게 더 높은 주파수 평면에 대한 지지체를 생성하는지 입증합니다.

4. 배치 규칙 도출 (Placement Rule Derivation):
   유효 관측량이 목표 주파수 평면에 투영되어야 한다는 요구 사항을 바탕으로, 저자들은 파울리 인코딩 및 교환 가능한 2-큐비트 얽힘기를 사용하는 세 단계의 설계 규칙을 도출합니다.

   • 노출 (Expose): 로컬 회전($W_L^{post}$)은 얽힘 전의 초기 판독(예: $Z_n$)을 비교환 방향($X_n, Y_n$)으로 기울여야 합니다.
   • 확산 (Spread): 얽힘기($U_{ent}$)는 이러한 성분에 작용하여 상호작용 그래프에 의해 정의된 이웃 $N(n)$ 위에 $Z$-문자열을 부착합니다. 이를 통해 $\text{deg}(n) + 1$까지의 주파수에 대한 지지체를 생성합니다.
   • 정렬 (Align): 후속 로컬 회전($W_L^{pre}$)은 결과적인 파울리 문자열의 가중치를 재조정하여 목표 불변 평면에 대한 투영을 최대화합니다.

이 규칙은 상호작용 그래프에 대해 선형 시간 $O(|E|)$ 내에 회로를 구축할 수 있게 하며, 목표 주파수가 도달 가능함을 보장합니다.

주요 기여

본 논문의 세 가지 주요 기여는 다음과 같습니다:

1. 푸리에 계수의 정확한 표현식: 저자들은 각 푸리에 계수를 해당 주파수와 관련된 불변 평면에 대한 유효 상태와 관측량의 이선형 투영의 합으로 나타내는 엄밀한 수학적 정식화를 제공합니다.
2. 명시적 배치 규칙: 파울리 인코딩, 판독 및 교환 가능한 2-큐비트 얽힘기에 대하여, 로컬 회전과 얽힘 층의 구체적인 배치 규칙을 확립합니다. 이 규칙은 상호작용 그래프가 필요한 차수를 지원하는 한, 거의 모든 매개변수 설정에서 목표 푸리에 계수가 0이 아님을 보장합니다. 또한 이 규칙은 게이트의 순서를 변경하면 특정 주파수가 억제될 수 있음을 보여줍니다.
3. 제어된 검증: 제안된 설계는 다음을 통해 검증되었습니다:
   • 배치 절제 실험 (Placement Ablation): 게이트를 이동시키거나 특정 단계(Expose, Spread, Align)를 제거했을 때 예측된 주파수에 도달할 수 없음을 확인하여 예측의 타당성을 입증했습니다.
   • 회귀 과업: PDEBench의 Advection 및 Burgers 방정식 과업 및 물리 정보 기반 맥스웰 장(Maxwell field) 모델링에서의 성능을 평가했습니다.
   • 노이즈 강건성: 디폴라라이징 노이즈(depolarizing noise), 진폭/위상 감쇠(amplitude/phase damping) 및 유한 샷 노이즈(finite-shot noise) 환경에서의 평가를 수행했습니다.

실험 결과

제안된 회로 설계는 여러 벤치마크에서 표준 템플릿(Basic Entangler, Strongly Entangling layers, HEA 등)과 비교 평가되었습니다.

• 사인파 근사 (Sinusoid Approximation): 제안된 회로는 여러 주파수(예: $\cos(2x), \sin(x), \cos(3x)$)를 포함하는 목표 함수를 성공적으로 재구성한 반면, 휴리스틱 템플릿은 고주파 성분을 포착하지 못하거나 훨씬 더 많은 매개변수를 필요로 했습니다.
• 지도 학습 기반 PDE 회귀 (Supervised PDE Regression): Advection 방정식(14 큐비트, 단일 인코딩 층)에서 제안된 회로는 0.107(학습 가능한 얽힘 강도 적용 시 0.039)의 정규화된 MSE를 달st하여, 가장 우수한 템플릿인 Circular HEA(점수 0.155)를 능가했습니다. Burgers 방정식에서도 유사한 개선이 관찰되었습니다.
• 물리 정보 기반 파동 방정식 (Physics-Informed Wave Equation): 솔루션 데이터 없이 맥스웰 방정식을 해결하는 과업에서, 제안된 회로는 단 2개의 큐비트와 1개의 층만을 사용하여 $2.7 \times 10^{-5}$의 상대적 $L_2$ 오차로 과업을 해결했습니다. 반면, 표준 템플릿들은 유사한 정확도를 얻기 위해 6개의 큐비트와 2~3개의 층이 필요했으며, 단일 층을 사용한 경우 대부분 실패했습니다.
• 노이즈 탄력성 (Noise Resilience): 제안된 회로는 2-큐비트 게이트 수가 더 많은 템플릿들에 비해 중간 수준의 게이트 노이즈 및 감쇠에 대해 우수한 강건성을 보여주었습니다. 또한 낮은 판독 스케일 덕분에 유한 샷 노이즈 오차도 크게 줄였습니다.

의의 및 주장

본 논문은 PQC의 이론적 스펙트럼 용량과 실제적인 아키텍처 설계 사이의 간극을 메운다고 주장합니다. "얼마나 많은 얽힘을 넣을 것인가"에서 "게이트를 어디에 배치할 것인가"로 초점을 전환함으로써, 저자들은 특정 스펙트럼 성분을 활성화하는 결정론적인 방법을 제공합니다.

저자들은 자신들의 설계 규칙이 특정 주파수를 학습하기 위한 필요 조건임을 강조합니다(특정 단계를 제거했을 때 주파수에 도달할 수 없음을 보여준 절제 실험을 통해 입증됨). 다만, 이것이 성공적인 학습(수렴)을 보장하는 것은 아니며 최적화 과정에 달려 있습니다. 그러나 실험 결과는 특정 주파수의 도달 가능성을 확보하는 것이 과학적 머신러닝 과업의 성능을 위한 결정적인 전제 조건임을 시사합니다. 본 연구는 PQC 설계를 예술의 영역에서 수학적으로 근거가 있는 학문적 영역으로 이동시키며, 주어진 과업의 스펙트럼 요구 사항에 맞춤화된 회로를 구축하는 선형 시간 알고리즘을 제시합니다.