Beyond Error Mitigation: Using Boosting for Noisy Quantum Machine Learning
이 논문은 지도 학습 기반 양자 기계 학습에서, 노이로이 있는 매개변수화된 양자 회로를 부스팅하는 것이 이상적인 무잡음 출력을 비용이 많이 드는 방식으로 재구성하는 것을 피하기 위해 작업 특화된 정보를 활용함으로써, 확률적 오류 제거보다 더 적은 회로 실행과 더 높은 테스트 정확도로 분류 목표를 달성할 수 있음을 입증한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
유용한 양자 컴퓨터를 구축하기 위한 경쟁 속에서, 과학자들은 고집스러운 장애물에 직면해 있습니다. 바로 노이즈(noise)입니다. 이론에서 상상하는 깨끗하고 오류 없는 계산과 달리, 실제 양자 기계는 매우 취약합니다. 큐비트라고 불리는 이들의 구성 요소는 주변 환경에 의해 쉽게 방해를 받으며, 이로 인해 계산이 끝나기도 전에 보유하고 있던 정보가 뒤섞여 버립니다. 수년 동안 이 문제에 대한 표준적인 접근 방식은 오류가 발생하는 즉시 이를 수정하려고 시도하는 것이었습니다. '오류 완화(error mitigation)'라고 알려진 기술은 필터처럼 작동하여, 최종 결과에서 노이즈를 제거함으로써 이상적이고 완벽한 기계가 만들어냈을 법한 결과를 드러내려고 시도합니다. 그러나 이 필터링 과정은 믿기 힘들 정도로 비용이 많이 듭니다. 명확한 답을 얻기 위해 연구자들은 종종 동일한 계산을 수천 번, 심지어 수백만 번 반복해서 실행해야 하며, 이러한 노이즈 섞인 시도들의 통계적 평균이 결국 오류를 상쇄하기를 기대해야 합니다. 이러한 막대한 반복 실행, 즉 '샷(shots)'에 대한 요구는 양자 컴퓨팅을 많은 실제 업무에 활용하기에는 너무 느리고 자원 집약적으로 만들 위험이 있습니다.
아나스타시아 루키아넨코(Anastasiia Lukianenko), 야쉬 J. 파텔(Yash J. Patel), 누르볼랏 켄베이예프(Nurbolat Kenbayev), 베드란 던코(Vedran Dunjko)의 새로운 연구는 우리가 항상 완벽하고 노이즈가 없는 재구성을 목표로 해야 한다는 가설에 도전합니다. 연구진은 더 단순하고 실용적인 질문을 던졌습니다. 만약 목표가 데이터를 두 가지 범주로 분류하는 것과 같이 올바른 결정을 내리는 것이라면, 기계가 모든 중간 계산의 정확하고 완벽한 값을 반드시 알아야 할까요? 그들은 많은 학습 작업에서 정답은 '아니오'라는 것을 발견했습니다. 모든 노이즈 섞인 결과를 깨끗하게 정리하려고 노력하는 대신, 연구팀은 노이즈를 받아들이고 '부스팅(boosting)'이라 불리는 전략을 사용하는 것이 종종 더 효율적이라는 것을 입증했습니다. 이 방법은 불완전하고 노이즈가 섞인 여러 양자 모델을 하나의 강력한 예측기로 결합합니다. 그들의 시뮬레이션에 따르면, 이 접근 방식은 전통적인 오류 수정 방법과 동일한 수준의 정확도에 도달할 수 있으면서도, 특히 기계가 커지고 노이즈가 심해질수록 훨씬 적은 횟수의 양자 회로 실행을 필요로 합니다.
연구진은 컴퓨터가 입력값이 한 그룹에 속하는지 다른 그룹에 속하는지를 결정해야 하는 '이진 분류(binary classification)'라고 불리는 흔한 유형의 문제에 집중했습니다. 예를 들어 두 종류의 이미지를 구별하는 것과 같습니다. 이러한 설정에서는 계산의 구체적인 값보다는 그 부호(sign), 즉 결과가 양수인지 음수인지가 최종 레이블을 결정하므로 더 중요합니다. 연구팀은 노이즈가 섞인 양자 회로를 처리하는 두 가지 다른 방법을 비교했습니다. '확률적 오류 상쇄(probabilistic error cancellation)'로 알려진 첫 번째 방법은 노이즈의 영향을 수학적으로 역전시키려고 시도합니다. 이는 회로를 여러 번 실행하고 결과를 재가중하여 완벽하고 노이즈가 없는 결과를 시뮬레이션하는 방식으로 작동합니다. 이 방법은 이론적으로는 타당하지만, 연구진은 회로의 크기와 노이즈의 강도가 커짐에 따라 회로를 실행해야 하는 횟수가 기하급급수적으로 증가한다고 지적했습니다. 이는 마치 허리케인 속에서 속삭임을 듣기 위해 점점 더 크게 소리를 지르는 것과 같습니다. 결국, 요구되는 노력은 불가능한 수준에 이르게 됩니다.
두 번째 방법인 '부스팅'은 다른 길을 택합니다. 노이즈를 고치려 하는 대신, 노이즈가 섞인 양자 회로를 '약한 학습기(weak learners)', 즉 무작위 추측보다 아주 조금 더 나은 수준의 모델로 취급합니다. 이 알고리즘은 이러한 약한 모델들을 차례대로 훈련시키며, 매 단계마다 이전 모델이 틀렸던 사례들에 더 많은 주의를 기울입니다. 이러한 불완전한 모델들의 예측을 결합함으로써 시스템은 강력하고 정확한 분류기를 구축합니다. 이 연구의 핵심 통찰은 이 과정이 개별 모델의 완벽함을 요구하지 않는다는 점입니다. 모델들이 무작위 추측보다 약간 더 나은 예측을 할 수 있을 만큼의 유용한 정보를 유지하고 있는 한, 그 결합은 성공할 수 있습니다. 연구진은 4-큐비트 양자 컴퓨터에서 이 과정을 시뮬레이션하며, 다양한 깊이의 회로와 다양한 물리적 노이즈 수준을 테스트했습니다. 그들은 특정 정확도 목표를 설정하고, 각 방법이 그 목표에 도달하기 위해 회로를 몇 번 실행해야 하는지를 측정했습니다.
결과는 조건에 따라 효율성이 명확하게 변화함을 보여주었습니다. 노이즈가 낮고 회로가 얕을 때는 전통적인 오류 완화 방법이 경쟁력이 있었습니다. 그러나 회로가 깊어지고 노이즈가 강해질수록, 오류 완화 방법의 비용은 치솟았습니다. 반면, 부스팅 방법은 효율성을 유지했습니다. 다양한 노이즈 수준과 회로 깊이에 걸친 56번의 특정 비교 중 39번의 경우에서, 부스팅 접근 방식이 동일한 학습 목표에 도달하기 위해 더 적은 횟수의 회로 실행을 필요로 했습니다. 어떤 경우에는 그 차이가 상당했는데, 오류 완화 방법이 부스팅보다 훨씬 더 많은 횟수의 실행을 필요로 했습니다. 게다가 부스팅 방법은 자원을 절약했을 뿐만 아니라, 오류 완화 방법이 생성한 모델보다 새로운 미지의 데이터에 대해 약간 더 정확한 모델을 생성했습니다.
연구는 또한 이러한 이론적 예측이 실제에서 얼마나 잘 유지되는지를 살펴보았습니다. 연구진은 단순히 비용을 추정하는 것이 아니라, 사용된 모든 단일 측정 샷(measurement shot)을 명시적으로 계산하는 시뮬레이션을 수행했습니다. 그들은 부스팅 알고리즘 자체를 실행하는 데 드는 오버헤드를 고려하더라도, 총 자원 비용이 노이즈를 정화하려고 시도하는 비용보다 종종 더 낮다는 것을 발견했습니다. 이는 '학습하기 전에 항상 노이즈를 제거하기 위해 막대한 대가를 치러야 한다'는 일반적인 믿음이 많은 작업에서 불필요할 수 있음을 시사합니다. 연구진은 자신들의 발견이 특정 유형의 노이즈와 특정 학습 작업에 대한 시뮬레이션에 기반하고 있다는 점을 강조했지만, 그 원리는 견고합니다. 즉, 목표가 완벽한 숫자가 아니라 올바른 결정이라면, 노이즈 속에서 살아남은 정보를 보존하는 것이 손실된 정보를 재구성하려고 노력하는 것보다 더 저렴하다는 것입니다.
이 연구는 오류 완화가 쓸모없다거나 양자 컴퓨터가 이제 모든 문제를 해결할 준비가 되었다고 주장하는 것이 아닙니다. 시뮬레이션은 작은 4-큐비트 시스템에서 수행되었으며, 결과는 노이즈가 작동하는 구체적인 방식과 학습 작업의 성격에 따라 달라질 수 있습니다. 그러나 이 연구는 가까운 미래를 위한 설득력 있는 대안을 제시합니다. 이는 양자 하드웨어가 개선되더라도 여전히 불완전할 때, 가장 효과적인 전략은 점점 더 비싼 교정법으로 노이즈와 싸우는 것이 아니라, 노이즈에 자연스럽게 강한 학습 알고리즘을 설계하는 것일 수 있음을 시사합니다. 개별 양자 계산이 결함이 있을 것임을 인정하고 이를 효과적으로 결합하는 데 집중함으로써, 연구자들은 이전에 생각했던 것보다 훨씬 적은 자원으로 유용한 결과를 얻을 수 있을 것입니다. 저자들은 앞으로 나아갈 길은, 도달하기에 너무 비용이 많이 들 수도 있는 이상적이고 오류 없는 상태로 양자 기계를 강제하는 것이 아니라, 양자 기계의 노이즈 섞인 현실에 맞춰 작동하는 학습 절차를 설계하는 데 있다고 제안합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.