Hidden selection rules and amplitude ceilings in quantum Fourier models

기술 요약: 양자 푸리에 모델의 숨겨진 선택 규칙 및 진폭 천장 (Hidden Selection Rules and Amplitude Ceilings in Quantum Fourier Models)

문제 정의
Pauli 데이터 인코딩을 사용하는 양자 모델은 삼각 다항식 $f(x) = \sum c_\omega e^{i\omega x}$를 계산한다. 스펙트럼 범위(가능한 주파수의 집합)가 인코딩 생성자의 고윳값 차이에 의해 결정된다는 점은 이미 확립되어 있으나, 특정 회로 아키텍처가 실제로 도달할 수 있는 구체적인 푸리에 계수가 무엇인지 결정하는 데에는 중요한 공백이 존재한다. 기존 연구들은 최대 주파수를 제한하거나 특정 회로 클래스(예: Clifford-plus-rotation)에 대한 정확한 스펙트럼을 계산했지만, 보조 큐비트(ancilla), 노이즈, 결과 평균 측정값이 포함된 임의의 회로에 대해 정확한 제로(forbidden frequencies, 금지된 주파수)와 정확한 진폭 천장(최대 달성 가능한 가중치)을 예측하기 위한 일반적인 프레임워크는 부족했다. 이러한 불확실성은 양자 기계 학습(QML) 벤치마크 평가를 복잡하게 만드는데, 이는 실패의 원인이 최적화의 결함이 아니라 구조적 불가능성에 있을 수 있기 때문이다.

방법론
저자들은 두 가지 주요 도구를 사용하여 양자 회로의 구조적 제약을 계산하는 사전 훈련 분석 프레임워크를 제안한다:

1. 대칭 기반 선택 규칙 (Symmetry-Based Selection Rules):

   • 시간 역전 규칙 (Time-Reversal Rule): 저자들은 시간 역전($YK$)을 포함하는 반유니타리 대칭을 식별하였으며, 이 대칭이 존재할 경우 출력 함수가 $f(x+\pi) = s f(x)$ (여기서 $s = \pm 1$)를 만족하도록 강제함을 밝혀냈다. 이 조건은 $(-1)^\omega \neq s$인 모든 주파수 $\omega$를 제거한다.
   • 반사 규칙 (Reflection Rule): $X$-타입 프레임을 포함하는 유니타리 대칭은 $f(\pi-x) = -f(x)$를 강제하여 상수항 $c_0$를 0으로 만들고 계수 간의 위상 관계를 고정할 수 있다.
   • 결정 절차: 게이트 수준의 회로에 대해, 이러한 대칭의 존재 여부는 $GF(2)$ 상의 선형 시스템을 푸는 문제로 환원된다. 이를 통해 수천 개의 게이트와 큐비트를 가진 회로에 대해서도 다항 시간 내에 규칙 존재 여부를 결정할 수 있다.

2. 진폭 천장 (Amplitude Ceilings):

   • 단일 업로드 바운드 (Single-Upload Bound): $m$개의 큐비트가 한 번만 인코딩되는 모델(single-upload)의 경우, 저자들은 $k$번째 푸리에 계수의 크기에 대한 타이트한 상한 $c^*(m, k)$를 도출한다. 이 바운드는 대칭 부공간(symmetric subspace)의 차원에 의존하며 $(m+1)$ 차원 고윳값 문제를 통해 계산된다. 결정적으로, 최상위 계수는 후속 채널, 노이즈 또는 측정에 관계없이 $2^{-m}$으로 제한된다.
   • 재업로딩 바운드 (Re-uploading Bound): $L$개의 재업로딩 레이어를 가진 모델의 경우, 저자들은 스펙트럼 가장자리 근처의 계수에 대해 깊이 독립적인 바운드 $T(m, d)$를 도출한다. 이 바운드는 고주파 성분이 전체 회로 깊이와 무관하게 첫 번째 업로드 레이어의 너비에 대해 지수적으로 작게 유지됨을 보여준다.

주요 기여

• 사전 훈련 예측 가능성 (Pre-Training Predictability): 본 논문은 구조적 제약(금지된 주파수 및 진폭 천장)이 훈련 전에 계산될 수 있음을 입증한다. 이는 벤치마크를 단순한 최적화 성능 테스트가 아닌 구조적 예측 테스트로 변모시킨다.
• 다항 시간 검증 (Polynomial-Time Verification): $GF(2)$ 프레임 체커의 개발을 통해 대규모 회로에서도 선택 규칙을 빠르게 검증할 수 있게 되었다(51ms 내에 1,025 큐비트 및 31,744개 게이트까지 테스트 완료).
• 하드웨어 검증 (Hardware Validation): 저자들은 IBM Heron 프로세서(최대 65 큐비트)에서 이러한 이론적 바운드를 검증하였다. 대칭 회로에서는 "금지된" 조화 진동(harmonics)이 샷 노이즈 플로어 수준에 머무는 반면, 비공변 노이즈(non-unital relaxation 등)는 설계에 따라(예: 유휴 시간, 에코, 프레임 플립 사용) 식별되거나 켜고 끌 수 있음을 보여주었다.
• 벤치마크 분석: QNLEP(Quantum Non-Linear Expressivity) 벤치마크에 이 도구들을 적용하여, 표준 안사츠(ansätze)의 모든 실패가 구조적으로 불가능하거나(선택 규칙에 의해) 진폭 천장에 의해 제한됨을 보여주었다.

결과

• 선택 규칙: 6,120개의 회로 구성 조사에서 시간 역전 규칙이 17.6%의 사례에서 성립하였다. 하드웨어상에서, 대칭적인 65 큐비트 체인 내의 금지된 조화 진동은 $2.1 \times 10^{-4}$ 및 $2.3 \times 10^{-4}$로 억제되어 샷 노이즈 플로어와 일치하였으나, 대칭이 없는 제어 회로는 훨씬 높은 전력을 보였다.
• 진폭 천장: 도출된 천장은 특정 주파수를 피팅하기 위한 최대 달성 가능한 $R^2$를 정확히 예측하였다. 예를 들어, 8개의 단일 업로드 큐비트를 사용할 때 $k=8$ 성분은 $R^2 \leq 0.016$으로 제한되었으며, 이는 예산(budget)에 관계없이 훈련이 초과할 수 없는 한계였다.
• 실제 데이터 성능 예측: 구조적 바운드(지지 집합 및 천장)를 훈련 전에 고정함으로써, 저자들은 6개의 실제 데이터셋에 대한 훈련된 모델의 테스트 $R^2$를 0.026 오차 범위 내에서 예측하였다. "원-게이트 수리(one-gate repair)"(대칭을 깨기 위해 단일 $R_Z$ 게이트 추가)는 특정 데이터셋(예: "circles" 및 "moons")에서 성능을 향상시킬 것이라고 예측되었으며, 다른 데이터셋(예: "iris")에는 효과가 없을 것이라고 정확히 예측하였으며, 예측된 이득과 측정된 이득 사이의 스피어먼 상관계수는 0.83이었다.
• 노이즈로서의 증거 (Noise as a Witness): 선택 규칙은 노이즈의 증거 역할을 한다. 비공변 노이즈(예: 진폭 감쇠)는 금지된 주파수를 복원하는 것으로 나타났으며, 공변 연산(예: 에코, 파울리 트월)은 규칙을 보존하였다.

의의 및 주장
본 논문은 "양자 비선형성의 원천"이 종종 오해되고 있다고 주장한다: 보조 큐비트, 측정, 노이즈는 함수의 클래스(삼각 다항식)를 바꾸지는 않지만, 어떤 주파수가 접근 가능한지, 그리고 그 주파수가 얼마나 많은 가중치를 가질 수 있는지를 엄격하게 제한한다.

• 구조적 결정론 (Structural Determinism): 저자들은 "구조가 무엇을 피팅할 수 있고 최선으로 얼마나 잘 할 수 있는지를 결정하며", 훈련은 단지 모델이 이러한 구조적 한계에 얼마나 가까워지는지를 결정할 뿐이라고 주장한다.
• 벤치마킹 유용성: 이러한 발견은 벤치마크가 최적화 실패와 근본적인 표현력 한계를 구분하기 위해, 훈련 전 구조적 바운드를 보고하는 "단계 0(stage zero)"를 포함해야 함을 시사한다.
• 하드웨어 인증: 선택 규칙은 임의의 규모에서 "인증된 제로(certified zeros)"를 가진 하드웨어 네이티브 회로를 인증하는 방법과, 특정 노이즈 메커니즘(예: 완화와 코히어런트 위상 오차의 구분)을 관찰함으로써 진단하는 방법을 제공한다.

저자들은 이 규칙들이 $RY/RX$ 인코딩의 단일 업로드에 대해 증명되었으며, 특정 프레임 클래스에 국한된다는 점을 언급하며 연구 범위를 겸손하게 제한하였다. 또한, 천장이 모든 채널에 대해 타이트하더라도, 구조가 구속 조건이 되지 않는 한 정밀한 훈련 성능 예측이라기보다는 상한 포락선(upper envelopes)을 나타낸다는 점을 명시하였다.