기술 요약: 모듈형 하이브리드 컴퓨팅 아키텍처를 위한 분할 정복(Divide et Impera) 양자 신경망

문제 정의

양자 기계 학습(QML)은 노이즈가 있는 중간 규모 양자(NISQ) 시대에 상당한 난관에 봉착해 있습니다. 하이브리드 양자-고전 모델은 유망하지만, 하드웨어의 한계, 특히 노이즈와 제한된 큐비트 수에 의해 제약을 받습니다. 대규모 변분 양자 회로(VQC)를 훈련하는 과정에서는 '바렌 플래토(barren plateaus)' 현상이 발생하기 쉬운데, 이는 큐비트 수가 증가함에 따라 그래디언트가 기하급수적으로 소실되어 최적화를 무효화하는 현상입니다. 또한, 그래디언트 계산을 위해 여러 번의 회로 평가가 필요하기 때문에 훈련 비용은 파라미터 수에 비례하여 선형적으로 증가합니다. 기존 솔루션들은 특정 회로 안사츠(ansatz) 가정에 의존하거나 특성 선택을 통해 문제의 차원을 축소하는 데 의존하며, 이는 과도한 정보 손실을 초할 수 있습니다. 따라서 모델 성능을 저하시키거나 지나치게 큰 양자 레지스터를 요구하지 않으면서 더 큰 문제에 대해 하이브리드 QNN을 훈련할 수 있는 일반적이고 확장 가능한 방법이 부족한 실정입니다.

방법론

저자들은 하이브리드 양자 신경망(QNN)을 위한 분할 정복(divide-et-impera) 훈련 프로토콜을 제안합니다. 이 접근 방식은 하나의 커다란 양자 학습 과제를 독립적이고 더 작은 VQC들에 의해 처리되는 작고 관리 가능한 하위 문제들로 분해합니다.

핵심 아키텍처

1. 특성 분해(Feature Decomposition): 입력 벡터 $x \in \mathbb{R}^N$는 인덱스 집합 $\{I_j\}$를 기준으로 $k$개의 하위 집합으로 분할됩니다.
2. 병렬 양자 처리(Parallel Quantum Processing): 각 하위 집합 $x_{I_j}$는 전용의 더 작은 VQC($VQC_j$)에 의해 처리되며, 이때 큐비트 수는 감소된 수치($q_i < Q$)를 가집니다. 이는 대규모 회로와 관련된 그래디언트의 기하급수적 집중을 방지합니다.
3. 재구성(Reconstruction): 모든 하위 회로로부터 나온 출력값(양자 임베딩)들이 결합됩니다.
4. 고전 후처리(Classical Post-Processing): 결합된 임베딩을 얕은 층의 고전적 다층 퍼셉트론(MLP)이 처리하여 최종 예측값 $\hat{y}$를 생성합니다.

비분해성 데이터 처리

특성을 자연스럽게 분리할 수 없는 데이터셋(예: 고도로 상관된 글로벌 특성)의 경우, 저자들은 **주성분 분석(PCA)**을 사용하는 전처리 단계를 도입합니다. PCA는 데이터를 특성들이 선형적으로 독립적인 새로운 공간으로 변환하며, 이를 통해 하위 회로에 공급할 하위 집합의 슬라이딩 윈도우 선택을 가능하게 합니다. 이 접근 방식은 일반적인 설정에서도 적용을 가능하게 하지만, 작은 전처리 오버헤드라는 비용이 따릅니다.

회로 설계

• 인코딩: 입력 데이터를 양자 상태로 매핑하기 위해 각도 인코딩(Angle encoding)이 사용됩니다.
• 안사츠(Ansatz): 변분 층은 큐비트당 2개의 각도 회전을 사용하며, 얽힘을 위해 인접 이웃 CNOT 게이트를 활용합니다.
• 데이터 재업로드(Data Re-uploading): 회로는 표현력을 높이기 위해 클래식 신경망의 스킵 연결(skip-connections)과 유사한 데이터 재업로드 방식을 따릅니다.
• 측정: 각 큐비트의 기대값 $\langle Z \rangle$를 측정하여 임베딩을 생성합니다.

실험 설정

본 방법론은 PennyLane과 PyTorch를 사용하여 두 가지 실제 예측 작업에 대해 벤치마킹되었습니다.

1. 전기차(EV) 충전소 상태:

   • 과업: 과거 상태, 시간 및 위치 데이터를 기반으로 파리의 91개 충전소 점유 상태를 예측합니다.
   • 분해: 특성들은 상태 이력, 시간적 추세, 공간 좌표로 자연스럽게 분할되었습니다.
   • 평가: 스테이션, 구역, 도시 단위의 예측을 평가하기 위해 복합 점수 함수($L_1$ 노름)가 사용되었습니다. 노이즈 탄력성은 IBM QPU 에러율을 시뮬레이션하는 디폴라이징(depolarizing) 및 비트 플립(bit-flip) 채널을 사용하여 테스트되었습니다.

2. 글로벌 대기질 지수(AQI) 예측:

   • 과업: 6개 도시의 오염 물질 농도(CO, CO2, NO2, SO2, O3, PM2.5, PM10)를 기반으로 유럽 AQI를 예측합니다.
   • 분해: 높은 특성 복잡성으로 인해, 하위 회로에 공급할 독립적인 특성 집합을 만들기 위해 PCA가 적용되었습니다.
   • 평가: 표준 MLP 및 통합 QNN 베이스라인과의 비교를 위해 평균 절대 오차(MAE)가 사용되었습니다.

주요 결과

전기차 충전소

• 성능: 제안된 하이브리드 분할 정복 모델은 53.86의 점수를 기록하여, 순차적 클래식 트랜스포머 모델(57.58)과 표준 클래식 모델(65.03)을 모두 능가했습니다.
• 효율성: 양자 모델은 클래식 순차 모델($\approx 3 \cdot 10^6$)에 비해 현저히 적은 파라미터($\approx 4 \cdot 10^4$)를 사용하여 과적합 위험을 줄였습니다.
• 노이즈 탄력성: 노이즈가 존재하는 환경에서도 모델은 견고함을 보여주었습니다. 성능 저하(디폴라이징 노이즈 시 60.8, 비트 플립 노이즈 시 68)가 있었으나, 결과는 노이즈가 없는 상태나 클래식 솔루션과 유사한 수준을 유지하여, 분해 전략이 일종의 에러 완화 효과를 제공함을 시사했습니다.
• 비교: 분해된 접근 방식이 "통합 상태(Unified State)" 및 "순차적(Sequential)" 양자 변형 모델보다 우수한 성능을 보였으며, 이는 시간적 정보를 별도의 회로로 격리하는 것이 더 탄력적인 표현을 생성한다는 것을 나타냅了.

글로벌 대기질

• 성능: 이 복잡하고 비분해적인 설정에서 양자 기반 솔루션은 클래식 솔루션에 뒤처졌습니다.
• PCA의 역할: PCA 전처리의 적용은 직접적인 특성 분리가 불가능한 일반적인 설정에서도 분할 정복 접근 방식을 적용할 수 있게 하는 핵심적인 동력임이 확인되었습니다. 이는 약간의 전처리 오버헤드를 감수하더라도 이 방법의 유연성을 입증했습니다.

의의 및 주장

본 논문은 현재의 NISQ 하드웨어의 확장성 및 훈련 문제를 해결하는 일반화 가능한 설계 원칙을 기여한다고 주장합니다.

• 확장성: 계산을 더 작은 회로들로 분산함으로써, 단일한 거대 양자 레지스터 없이도 더 큰 문제에 대한 모델 훈련을 가능하게 합니다.
• 자원 효율성: 이 접근 방식은 양자 회로의 깊이와 너비를 줄여, 모델의 성능 저하 없이 노이즈 축적과 바렌 플래토 효과를 완화합니다.
• 모듈성: 이 아키텍처는 여러 QPU 호출이나 향후 상호 연결된 양자 아키텍처에 분산될 수 있는 모듈형 하이브리드 컴퓨팅을 위해 설계되었습니다.
• 실용성: 저자들은 이 방법이 하드웨어 제약으로 인해 이전에는 불가능했던 실질적인 과제(에너지 및 환경 모니터링 등)에 대해 최첨단 프로세서에서 QML 알고리즘을 테스트할 수 있게 해준다고 주장합니다.

저자들은 대기질 결과에 대해 겸허한 태도를 유지하며, 이 방법이 일반적인 설정에 적용을 가능하게 하지만, 해당 데이터셋에 대해서는 현재 클래식 모델이 원시적인 예측 성능 면에서 우위에 있음을 인정했습니다. 또한, 노이즈가 성능 저하를 일으킨다는 점을 언급하면서도, 분해 전략이 이러한 저하를 억제하고, 테스트된 이상적인 시나리오에서 모델 성능을 크게 떨어뜨리지 않으면서도 훈련 비용과 하드웨어 요구 사항을 줄여준다고 명시했습니다.