Fourier Symmetrization for Geometric Quantum Machine Learning

현대 과학의 광활한 풍경 속에서, 연구자들은 한때 인간의 직관만이 점유했던 문제들을 해결하기 위해 데이터로부터 학습하는 기계로 점점 더 눈을 돌리고 있습니다. 이 분야에서 가장 유망한 도구 중 하나는 양자 컴퓨터로, 이는 아원자 세계의 기이한 규칙을 사용하여 고전적인 기계가 할 수 없는 방식으로 정보를 처리합니다. 기하학적 양자 머신러닝(geometric quantum machine learning)이라 알려진 이 분야의 특정 분과는, 이러한 양자 시스템이 물리적 세계의 자연스러운 대칭성을 인식하고 존중하도록 가르치는 것을 목표로 합니다. 눈송이가 회전해도 똑같이 보이거나 분자가 뒤집혀도 일관되게 행동하는 것처럼, 많은 과학적 문제들은 숨겨진 불변성의 패턴을 가지고 있습니다. 과제는 이러한 패턴을 자연스럽게 따르면서도, 훈련하거나 제어하는 것이 불가능할 정도로 복잡해지지 않는 양자 모델을 구축하는 방법을 찾아내는 것이었습니다.

프랑스 센트랄레립(CentraleSupélec)의 연구팀은 이제 이 지형을 항해하기 위한 더 명확한 지도를 제공했습니다. 그들은 양자 모델에 대칭성을 부과하는 것이 모델이 데이터를 "생각"하는 방식, 구체적으로 모델이 정보를 서로 다른 주파수 성분으로 분해하는 방식에 어떤 변화를 주는지 조사했습니다. 그들의 연구는 양자 모델이 대칭성을 준수하도록 강제될 때, 단순히 선택지를 제한하는 것이 아니라, 실제로 더 강력하고 훈련하기 쉽게 만드는 방식으로 내부 구조를 재편한다는 것을 보여줍니다. 관련 있는 정보 조각들을 함께 그룹화함으로써, 연구진은 모델의 학습 신호가 아무것도 남지 않고 사라져 버리는 현상, 즉 양자 머신러bing을 오랫동안 괴롭혀 온 흔한 문제를 방지하는 방법을 찾아냈습니다. 나아가, 그들은 이전에 필요하다고 생각되었던 막대한 하드웨어 비용을 피하면서도 이러한 대칭 모델을 구축할 수 있는 더 효율적인 새로운 방법을 발견했습니다.

연구진은 양자 푸리에 모델(quantum Fourier model)이라 불리는 유형의 양자 모델에 집중했습니다. 양자 컴퓨터를 여러 가지 다른 음표를 동시에 연주할 수 있는 복잡한 악기라고 상상해 보십시오. 여기서 각 음표는 정보의 특정 주파수를 나타냅니다. 표준 설정에서 컴퓨터는 각 음표의 볼륨을 독립적으로 조절하여 패턴을 학습하려고 시도할 수 있습니다. 그러나 연구진은 두 변수를 교환하거나 부호를 바꾸는 것과 같은 대칭성을 준수하도록 요구할 때, 음표들이 더 이상 독립적이지 않다는 것을 보여주었습니다. 대신, 음표들은 "궤도(orbits)"라고 불리는 그룹을 형성하며, 컴퓨터는 해당 그룹 내의 모든 음표를 하나의 단위로 취급해야 합니다. 그러면 모델은 그 그룹 내의 모든 음표의 볼륨을 합산하여 하나의 더 강력한 신호를 만들어냅니다.

이러한 재편성은 결정적인 이점으로 작용합니다. 많은 양자 모델에서 개별 음표의 신호는 시스템이 커짐에 따라 너무 희미해져서 컴퓨터가 사실상 학습을 멈추게 되는데, 이를 '소멸하는 표현력(vanishing expressivity)' 현상이라고 합니다. 연구진은 이러한 음표들을 대칭 궤도로 그룹화함으로써 결합된 신호가 훨씬 더 커진다는 것을 입증했습니다. 개별 음표들이 속삭이고 있을지라도, 그들의 집단적인 목소리는 충분히 들리고 훈련될 수 있을 만큼 강력합니다. 그들은 이상적인 조건 하에서 이 결합된 신호의 강도가 그룹 내 개별 음표들의 강도의 합과 정확히 일치한다는 것을 수학적으로 증명했습니다. 더욱 현실적이고 불완전한 시나리오에서도, 이러한 그룹화가 기존 방식보다 훨씬 더 강력한 신호 증폭을 제공한다는 것을 보여주었습니다.

연구진은 이 대칭 접근법이 모델이 세상을 묘사하는 데 사용하는 언어 자체를 바꾼다는 것을 발견했습니다. 그들이 모델에 부호 반전(sign flips)과 관련된 특정 유형의 대칭성을 적용했을 때, 결과적인 수학적 구조는 자연스럽게 체비쇼프 다항식(Chebyshev polynomials)이라 알려진 함수 집합으로 변환되었습니다. 이는 수학자와 엔지니어들이 복잡한 곡선을 근사하고 어려운 방정식을 풀기 위해 수 세기 동안 사용해 온 강력한 도구입니다. 양자 모델이 이러한 대칭성을 존중하도록 강제함으로써, 연구진은 별도의 복잡한 회로를 수동으로 설계하지 않고도 모델이 자동으로 최적의 언어를 구사하도록 프로그래밍한 효과를 거두었습니다. 이는 대칭성이 단순한 제약이 아니라, 양자 모델이 문제를 해결하는 가장 효율적인 방법으로 인도하는 가이드가 될 수 있음을 시사합니다.

그러나 큰 장애물이 남아 있었습니다. 실제 양자 하드웨어에서 이러한 대칭 모델을 실제로 어떻게 구축할 것인가 하는 문제였습니다. 대칭성을 강제하는 전통적인 방법들은 종-종 추가적인 양자 비트를 더하거나 실행 시간이 오래 걸리는 복잡하고 깊은 회로를 실행해야 하므로, 현재의 기술로는 비실용적입니다. 연구팀은 '무작위 인코딩(randomized encoding)'이라는 영리한 대안을 제안했습니다. 대칭성을 하드코딩하는 특수하고 경직된 회로를 만드는 대신, 그들의 방법은 표준 양자 회로에 들어오기 전 입력 데이터를 무작위로 변경하는 방식을 취합니다. 동일한 회로를 약간씩 다르게 변형된 무작위 입력값들과 함께 여러 번 실행하고 그 결과들을 평균 내면, 시스템은 복잡하고 값비싼 방법들과 동일한 대칭 출력을 생성하게 됩니다. 이 접근 방식은 추가적인 양자 비트를 필요로 하지 않으며 회로의 깊이를 늘리지도 않으므로, 오늘날의 노이즈가 많은 양자 장치에서도 훨씬 실용적입니다.

아이디어를 테스트하기 위해, 연구진은 물리적 현상을 설명하는 두 가지 어려운 수학적 문제인 차폐된 푸아송 방정식(screened Poisson equation)과 정지 점성 해밀턴-자코비 방정식(stationary viscous Hamilton-Jacobi equation)을 해결하는 데 이 새로운 모델들을 적용했습니다. 이 방정식들은 전기장부터 유체 역학에 이르기까지 모든 것을 모델링하는 데 사용됩니다. 그들은 이 새로운 대칭 모델을 표준 양자 모델 및 고전적 신경망과 비교했습니다. 결과는 명확했습니다. 대칭성을 사용한 모델, 특히 새로운 무작위 인코딩 방식으로 구축된 모델이 가장 낮은 오차와 가장 정확한 해답을 달ace했습니다. 까다로운 경계 조건이 포함된 특정 테스트에서, 이 대칭 양자 모델은 고전적 신경망을 포함한 다른 모든 접근 방식보다 뛰어난 성능을 보였습니다.

이 연구는 대칭성이 양자 머신러닝에서 강력하지만 충분히 활용되지 못한 자원이라는 결론을 내립니다. 대칭성은 모델이 할 수 있는 일을 제한하는 것이 아니라, 모델의 내부 구조를 더 견고하고 효율적으로 재편합니다. 정보를 대칭적인 그룹으로 재구성함으로써, 연구진은 양자 모델이 발전을 저해해 온 신호 손실을 극복할 수 있음을 보여주었습니다. 이러한 대칭성을 구현하는 그들의 새로운 방법은 실용적인 경로를 제시하며, 연구자들이 기존의 방식이 가졌던 과도한 하드웨어 비용 없이도 이러한 이점들을 활용할 수 있게 해줍니다. 이 연구는 더 정확할 뿐만 아니라, 그들이 시뮬레이션하고자 하는 물리적 세계의 근본적인 대칭성과 더 잘 부합하는 더 나은 양자 알고리즘을 설계하기 위한 구체적인 청사진을 제공합니다.