Trained quantum Kolmogorov--Arnold networks can dequantize, and a discrete-logarithm encoding need not: a measurement-based map of where quantum advantage can live

기술 요약: 학습된 양자 콜모고로프-아놀드 네트워크는 탈양자화될 수 있으며, 이산 로그 인코딩은 그럴 필요가 없다

문제 정의
양자 머신러닝(QML) 모델은 클래식 컴퓨터에 의해 효율적으로 모사될 수 없을 때에만 가치가 있다. 제안된 많은 양자 모델들이 양자 하드웨어에서 실행되지만, 그 출력값들이 텐서 네트워크(TN) 시뮬레이션과 같은 클래식 알고리즘에 의해 재현될 수 있기 때문에 진정한 이점을 제공하지 못하는 경우가 많다. 핵심 과제는 어떤 특정 양자 아키텍처가 효율적인 클래식 수축(즉, 높은 "결합 차원(bond dimension)" 요구사항)에 저항하면서도 동시에 학습 가능한 상태를 유지할 수 있는지를 식별하는 것이다. 학습 가능한 에지 함수(edge functions)가 양자 서브루틴에 의해 구현되는 모델 군인 양자 콜모고로프-아놀드 네트워크(QKAN)의 경우, 구체적인 구성이 효율적인 TN 시뮬레이션에 저항하면서도 학습의 병목 현상인 배런 플레이토(barren plateaus)를 피할 수 있는지 여부가 불분명하다.

방법론
저자들은 QKAN의 클래식 시뮬레이션 가능성을 평가하기 위해 **태스크 인식 결합 차원 기준(task-aware bond-dimension criterion)**을 도입한다. 단순히 회로 깊이나 얽힘 생성에 기반하여 난해함을 가정하는 대신, 본 연구는 학습된 모델이 달성한 특정 정확도에서 클래식 대리 모델(구체적으로 Matrix Product State, MPS)이 모델의 출력을 재현하는 데 필요한 결합 차원($\chi_{need}$)을 측정한다.

본 방법론은 다음과 같다:

1. 모델 평가: 체비쇼프 진폭(Chebyshev amplitude) QKAN과 모든 방향 제어 회전(all-to-all controlled rotations)을 사용하는 변분 QKAN(VQKAN)을 포함한 다양한 QKAN 구성을 테스트한다.
2. 학습 검증: 모델이 매끄러운 타겟 함수를 실제로 학습했는지 확인한다(상수 예측기 대비 $R^2$로 측정). 이는 낮은 결합 차원이 과소 적합(under-fitting)으로 인한 인위적 결과가 아님을 보장하기 위함이다.
3. 진단:
   • 얽힘 엔트로피(Entanglement Entropy): 이분법적 폰 노이만 엔트로피(bipartite von Neumann entropy)를 측정하여 에리어 법칙(area-law, 효율적 시뮬레이션 가능)과 볼륨 법칙(volume-law, 시뮬레이션 어려움) 스케일링을 구분한다.
   • 학습 가능성(Trainability): 편미분의 분산을 정량화하여 배런 플레이토(지수적으로 소멸하는 그래디언트)를 감지한다.
   • 노이즈 분석: 디폴라라이징 노이즈(depolarizing noise)를 시뮬레이션하여 고차원 결합 영역에서 효율적인 MPO 표현으로 전환되는 과정을 관찰한다.
4. 구조적 인코딩: 이산 로그 피처 맵(Liu–Arunachalam–Temlet 기반)을 구현하여, 난해함을 일반적인 얽힘이 아닌 수론적 구조에 배치하는 것이 학습 가능하면서도 클래식하게 어려운 모델을 만들어내는지 테스트한다.

주요 결과
본 연구는 다양한 QKAN 구성에 걸친 행동의 "사다리"를 식별한다:

• R1: 체비쇼프 진폭 QKAN은 정확히 클래식하다.
  이 모델은 $O(\log n)$ 큐비트를 사용하는 진폭 인코딩을 사용한다. 이 모델의 출력은 수학적으로 가중 합(weighted sum)과 동일하다. 이는 얽힘 자원을 필요로 하지 않으며, 결합 차원 $\chi \le \sqrt{n}$으로 효율적으로 시뮬레이션 가능하다.

• R2: 학습된 VQKAN은 탈양자화된다.
  무작위 파라미터를 가진 VQKAN은 볼륨 법칙 얽힘(지수적인 결합 차원 필요)을 보이지만, 학습된 후에는 탈양자화된다. 매끄러운 2-로컬 타겟 함수에 적합하도록 학습되었을 때, 태스크 인식 결합 차원 $\chi_{need}$는 최대 가능한 결합 차원이 지수적으로 증가함에도 불구하고 작게 유지된다(상수 또는 느린 성장, $\chi \sim 2\text{--}5$). 모델은 데이터를 잘 맞추지만, 클래식 대리 모델이 접근 가능한 저-얽힘 부공간(low-entanglement subspace)을 사용하여 이를 수행한다.

• R3: 노이즈가 클래식성을 복원한다.
  디폴라라이징 노이즈 하에서 연산자 공간 얽힘 엔트로피(OSEE)가 붕괴한다. 노이즈율 $p \approx 0.03\text{--}0.05$에서 교차 현상이 발생하며, 모델은 고차원 결합 영역에서 효율적으로 시뮬레이션 가능한 MPO 영역으로 전환된다. 이는 노이즈가 섞인 무작위 회로의 거동을 반영한다.

• R4: 일반적인 난해함은 배런 플레이토를 유발한다.
  글로벌 측정, 더 깊은 얽힘 생성기, 또는 일반적인 즉각적 양자 다항 시간(IQP) 피처 맵을 사용하여 난해함을 강제하려는 시도는 배런 플레이토를 초래한다. 이러한 구성은 그래디언트 분산을 지수적으로 감소시켜($Var \sim 2^{-n}$) 모델을 학습 불가능하게 만든다. 이는 일반적인 난해함 경로가 학습 가능성을 파괴한다는 트레이드오프를 확인해 준다.

• R5 & R6: 이산 로그를 통한 탈출.
  저자들은 이산 로그 피처 맵이 이 문제를 성공적으로 해결함을 입증한다.

  • 비집중성(Non-Concentration): 일반적인 IQP 커널의 분산이 $2^{-n}$으로 감소하는 것과 달리, 이산 로그 커널은 4개에서 14개 큐비트 범위에서 평탄한 비대각 분산($0.07 \pm 0.01$)을 유지한다.
  • 학습 가능성: 커널이 집중되지 않기 때문에 배런 플레이토를 피할 수 있으며, 서포트 벡터 머신(SVM)에 의해 효율적으로 학습될 수 있다.
  • 난해함: 커널은 이산 로그 문제를 기반으로 하며, 이는 클래식하게 어렵다. 이 커널을 사용하는 SVM은 클래식하게 어려운 개념에 대해 $\ge 99\%$의 정확도를 달데 반면, 일반적인 양자 및 클래식 커널은 실패한다(우연 수준의 성능을 보임).
  • 샷 효율성(Shot Efficiency): 모델은 현실적인 수의 샷으로도 학습 가능하지만, 일반적인 IQP 커널을 해상하려면 지수적으로 많은 샷이 필요하다.

의의 및 주장
본 논문은 태스크 인식 메트릭을 사용하여 QKAN을 시뮬레이션 가능성 축을 따라 최초로 종단 간(end-to-end) 분류했다고 주장한다. 주요 기여는 다음과 같다:

1. 측정 기반 기준: "탈양자화 가능성"은 단순히 회로 깊이가 아니라, 모델이 달성한 정확도를 일치시키기 위해 필요한 결합 차원에 의해 정의되어야 함을 확립한다.
2. 경험적 지도: 구체적인 QKAN 구성을 "난해함-학습 가능성" 평면에 배치하여, 일반적인 얽힘 안사티(ansatz)에서는 "학습 가능하고 어려운" 사분면이 비어 있지만, 구조화된 인코딩을 통해서는 접근 가능하다는 것을 보여준다.
3. 설계 규칙: 양자 머신러닝의 이점은 깊은 얽힘이나 일반적인 표현력에서 찾는 것이 아니라, 오히려 구조화되고 증명 가능한 난해한 인코딩(예: 이산 로그)에서 찾아야 한다고 주장한다. 이러한 방식은 배런 플레이토를 피하기 위한 낮은 얽힘을 유지하면서도, 커널 구성 자체에 계산적 난해함을 인코딩할 수 있다.

저자들은 본 연구의 결과가 작은 시스템 크기($n \le 14$)에 대한 수치 시뮬레이션에 기반하고 있으며, 점근적 증명이 아님을 명시적으로 밝힌다. 또한 이산 로그 결과가 일반적인 정리에 대한 증명이 아니라 특정 인코딩의 특성을 보여주는 것임을 강조하며, 이러한 맵을 전체 콜모고로프-아놀드 아키텍처에 통합하는 것은 여전히 미해결 과제로 남아 있다고 언급한다.