기술 요약: 이미지 분류를 위한 진화하는 하이브리드 양자-고전 아키텍처

문제 정의

하이브리드 양자-고전 신경망(HQNN)은 고전 데이터를 처리하기 위해 매개변수화된 양자 회로(PQC)를 딥러닝 아키텍처와 통합한다. 그러나 이러한 모델의 성능은 게이트 구성, 회로 깊이, 큐비트 연결성, 데이터 인코딩을 포함한 양자 회로 아키텍처(ansatz)의 수동 선택에 크게 의존한다. 기존 방식은 특정 작업에 적합하다는 보장이 없는 고정되거나 수동으로 설계된 회로에 의존하는 경우가 많다. 이러한 한계는 특히 이미지 분류 분야에서 두드러지는데, 양자 회로는 고전 네트워크에서 추출된 특징을 변환하는 동시에 근미래적 하드웨어에서 실용적인 학습이 가능할 만큼 컴팩트해야 하기 때문이다. 일반적이고 작업 불가지론적인(task-agnostic) ansatz는 이러한 요구사항을 동시에 충족하지 못해, 바렌 플레이토(barren plateaus, 지수적으로 소멸하는 기울기) 및 낮은 학습 능력과 같은 문제를 초래한다. 결과적으로, 복잡한 이미지 데이터에 효과적이면서도 계산 효율적인 양자 회로 구조를 발견할 수 있는 자동화된 방법이 필요하다.

방법론

저자들은 저차원 벤치마크를 위해 이전에 사용되었던 진화 프레임워크인 EXAQC를 이미지 분류 영역으로 확장한다. 제안된 방법론은 세 가지 주요 구성 요소로 이루어진 하이브리드 아키텍처를 채택한다:

1. 고전 인코더 ($E_\psi$): 고차원의 원본 이미지($C \times H \times W$)를 양자 처리에 적합한 압축된 표현($d_q$)으로 압축하는 특징 추출기(identity block, MLP 또는 CNN).
2. 진화된 매개변수화된 양자 회로 ($Q_{\theta, A}$): 회로 아키텍처 $A$(게이트 구성, 깊이, 연결성)는 진화적 탐색을 통해 발견되는 반면, 연속적인 매개변수 $\theta$는 경사 하강법을 통해 최적화되는 PQC.
3. 고전 디코더 ($D_\phi$): 양자 측정 결과를 클래스 예측으로 매핑하는 네트워크.

진화적 탐색 과정:
EXAQC는 회로 구조를 최적화하기 위해 스테이트-스테이트(steady-state) 진화 알고리즘을 활용한다. 각 후보 회로는 게이트들의 순서 있는 집합을 포함하는 가변 길이 게놈으로 표현된다. 탐색에는 다음이 사용된다:

• 구조적 돌연변이(Structural Mutation): 게이트를 추가, 활성화, 비활성화 또는 재정렬하고, 큐비트 연결성을 수정함.
• 교차(Crossover): 이진, 지수 또는 n-ary 연산자를 사용하여 부모 회로로부터 정보를 결합함.
• 라마르크 유전(Lamarckian Inheritance): 수렴을 가속화하기 위해 학습된 연속 매개변수를 부모에서 자식에게 전달함.
• 비동기 평가(Asynchronous Evaluation): 후보들은 병렬로 평가되며, 자식 세대는 검증 적합도(validation fitness)를 기준으로 즉시 부모 세대 삽입 경쟁을 벌임.

양자 인코딩 전략:
본 연구는 네 가지 입력 인코딩 메커니즘을 조사한다:

• 진폭 인코딩(Amplitude Encoding): $d_q$ 특징을 $n_q = \lceil \log_2(d_q) \rceil$개의 큐비트에 매핑함.
• 회전 인코딩 (RX, RY): 큐비트당 하나의 특징을 매핑함 ($n_q = d_q$).
• U3 인코딩: $U3(\theta, \phi, \lambda)$ 게이트를 사용하여 큐비트당 세 개의 특징을 매핑하며, 이를 통해 $n_q = d_q/3$를 구현함.

학습 목표는 인코더, 양자 회로, 디코더의 결합된 매개변수에 대해 교차 엔트로피 손실을 최소화하는 것이다.

핵심 기여

1. 이미지 분류로의 EXAQC 확장: 본 논문은 저차원 문제에서 복잡한 이미지 데이터셋(MNIST, Fashion-MNIST, CIFAR-10)으로 EXAQC 프레임워크를 성공적으로 확장하여, 진화된 회로가 압축된 이미지 특징에서 유용한 변환을 찾아낼 수 있음을 입증했다.
2. 컴팩트한 양자 모듈의 자동 발견: 고정된 ansatz에 의존하는 방법과 달리, 제안된 접근 방식은 학습된 특징에 맞춤화된 회로를 진화시켜 더 큰 고전 구성 요소를 대체할 수 있는 컴팩트한 양자 모듈(20~60개 게이트)을 생성한다.
3. U3 인코딩의 새로운 활용: 본 연구는 진화적 탐색 프레임워크 내에서 양자 인코딩 메커니즘으로 U3 게이트를 사용하는 것을 도입하였으며, 이는 해당 특정 인코딩 전략을 사용하지 않았던 이전 연구들과 차별화된다.
4. 매개변수 효율성: 진화된 하이브리드 모델이 순수 고전 딥러닝 베이스라인에 비해 훨씬 적은 학습 매개변수를 사용하면서도 경쟁력 있는 정확도를 달할 수 있다는 경험적 증거를 제공한다.

실험 결과

프레임워크는 다양한 복잡도를 가진 세 가지 데이터셋에 대해 평가되었다:

• 예측 성능:

  • MNIST: 98.42% 정확도.
  • Fashion-MNIST: 90.62% 정확도.
  • CIFAR-10: 85.47% 정확도.
  • 이러한 결과는 CIFAR-10에서 더 적은 게이트를 사용하면서도 기존의 양자 아키텍처 탐색(QAS) 방법들(예: EQNAS, AQEA-QAS)과 대등하거나 이를 능가한다.

• 인코딩의 영향:

  • MNIST의 경우, 인코딩 선택의 영향은 미미했다(차이 < 1%).
  • CIFAR-10의 경우, 회전 기반 인코딩(RX, RY, U3)이 진폭 인코딩(83.75–86.68% vs. 61.38%)보다 크게 우수했다. U3 인코딩은 가장 높은 정확도(86.68%)를 기록했으나, 가장 큰 회로(60개 게이트, 40개 매개변수)를 요구했다.

• 매개변수 효율성:

  • CIFAR-10: EXAQC 하이브리드 모델은 100,173개의 매개변수로 85.68%의 정확도를 달성하여, 2,569,962개의 매개변수가 필요한 10레이어 CNN(85.50%)과 대등한 성능을 보였다(96.1% 감소). 또한 ResNet18 정확도의 1.4% 이내에 머물면서 매개변수는 99.1% 적게 사용했다.
  • Fashion-MNIST: 하이브리드 모델은 1레이어 CNN보다 54.8% 적은 매개변수로 더 높은 성능을 보였다(91.11% vs. 89.47%).

• 회로 복잡도:

  • CIFAR-10을 위한 진화된 회로는 MNIST를 위한 회로보다 실질적으로 더 크고 얽혀 있었으며, 표준적인 수동 설계 템플릿과는 다른 단일 큐비트 회전 및 다중 큐비트 제어 게이트의 불규칙하고 비계층적인 배치를 특징으로 했다.

의의 및 주장

본 논문은 진화적 탐색을 통한 자동화된 회로 발견이 시각 아키텍처에서 더 큰 고전 구성 요소를 대체할 수 있는 컴팩트한 양자 모듈을 생성하며, 이를 통해 경쟁력 있는 정확도를 유지할 수 있다고 주장한다. 본 연구의 의의는 다음과 같다:

• 확장성: 진화된 PQC가 복잡한 이미지 데이터셋의 압축된 특징 표현을 처리할 수 있음을 입증함으로써, 근미래적 하드웨어의 제한 사항과 고차원 데이터 요구사항 사이의 간극을 메운다.
• 효율성: 하이브리드 모델이 획기적으로 적은 매개변수 수로도 해당 클래스의 최첨단 성능을 달성할 수 있음을 확립하여, 현재 양자 하드웨어의 자원 제약 문제를 해결한다.
• 적응성: 최적의 양자 아키텍처와 인코딩 전략은 보편적이지 않으며, 데이터셋과 고전적 특징 추출의 품질에 크게 의존한다는 점을 강조한다.

저자들은 향-시뮬레이션(simulation)에 대한 의존성, 기존 연구와의 표준화된 비교 필요성, 그리고 인코더와 양자 회로의 공동 최적화 문제를 향후 과제로 남겨두어야 한다고 결적한다. 또한 진화적 탐색 비용이 회로 복잡도에 따라 증가한다는 점을 언급하며, 더 효율적인 분산 탐색 전략의 필요성을 시사한다.