💻 computer science

Benchmarking Quantum Feature Encoding Strategies for Binary Classification with QSVM

이 연구는 양자 서포트 벡터 머신을 위한 양자 특징 인코딩에 통계적 관계를 통합하는 것이 이진 분류 성능에 영향을 미칠 수 있음을 입증하지만, 최적의 전략은 단순히 얽힘을 증가시키는 것이 아니라 예측 정확도와 회로 복잡도 사이의 균형을 맞추는 데 필요함을 강조한다.

원저자: Murat Kurt

게시일 2026-09-01

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Murat Kurt

원본 논문은 CC BY 4.0 (https://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

양자 기계 학습이라는 신생 분야에서 연구자들은 양자 물리학의 기묘한 법칙을 사용하여 컴퓨터가 패턴을 인식하도록 가르치려 노력하고 있습니다. 이를 위해 그들은 환자의 건강 상태를 설명하는 숫자나 학생의 성적과 같은 일반적인 데이터를 양자 컴퓨터의 언어로 먼저 번역해야 합니다. 이 번역 과정을 인코딩(encoding)이라고 부릅니다. 복잡한 3차원 물체를 평면적인 2차원 상자에 넣으려고 시도한다고 상상해 보십시오. 만약 잘못된 각도로 혹은 잘못된 방식으로 물체를 찌그러뜨린다면, 그 물체를 독특하게 만드는 세부 사항들을 잃게 될 것입니다. 양자 세계에서 이 번역은 데이터 포인트들을 큐비트(qubit)라고 불리는 특정 양자 비트의 구성으로 변환함으로써 이루어집니다. 이 번역 방식은 매우 중요한데, 왜냐하면 이 방식이 컴퓨터가 나중에 건강한 심장과 기능이 저하된 심장을 구별하는 것과 같이 카테고리 간의 차이를 얼마나 잘 찾아낼 수 있는지를 결정하기 때문입니다. 만약 번역이 너무 단순하면 컴퓨터는 중요한 단서를 놓치게 됩니다. 반대로 너무 복잡하면 컴퓨터는 스스로의 복잡함에 혼란을 느끼거나 계산을 마치기도 전에 시간이 다 되어 버립니다.

삼순 대학교의 연구원 무라트 쿠르트(Murnt Kurt)는 최근 서로 다른 번역 방법이 데이터를 두 그룹으로 분류하는 양자 컴퓨터의 능력에 정확히 어떤 영향을 미치는지 테스트하기 위해 연구를 수행했습니다. 이 연구는 정교한 분류기 역할을 하는 '양자 서포트 벡터 머신(quantum support vector machine)'이라 불리는 특정 유형의 알고리서에 초점을 맞추었습니다. 연구원은 눈의 상태를 감지하는 데 사용되는 뇌파 신호부터 심부전 예측을 위한 의료 기록, 그리고 신용 위험 평가에 이르기까지 다섯 가지의 서로 다른 실제 데이터셋을 테스트했습니다. 각 데이터셋에 대해 연구원은 데이터를 인코딩하는 여러 가지 다른 방법들을 시도했습니다. 어떤 방법들은 각 정보를 독립적으로 다루는 단순한 방식이었습니다. 다른 방법들은 지도 위의 점들을 연결하여 숨겨진 모양을 드러내는 것과 유사하게, 양자 시스템 내에서 서로 관련된 정보들을 연결하려고 시도하는 더 복합적인 방식이었습니다. 목표는 이러한 연결(데이터 포인트 사이의 통계적 관계를 나타냄)을 추가하는 것이 실제로 컴퓨터가 더 나은 예측을 하도록 돕는지, 아니면 단순히 과정을 더 느리고 오류에 취약하게 만드는지를 확인하는 것이었습니다.

연구 결과는 놀라운 진실을 드러냈습니다. 즉, 더 복잡하다고 해서 항상 더 좋은 것은 아니라는 점입니다. 어떤 경우에는 각 데이터 포인트를 연결하려고 강요하지 않고 독립적으로 다룬 가장 단순한 인코딩 방식이 가장 정교한 방법만큼이나 성능이 좋았습니다. 또 다른 경우에는 단순한 방식이 실제로 더 우수했습니다. 연구원이 모든 데이터 조각이 서로 연결된 고도로 연결된 네트워크를 구축하려고 했을 때, 컴퓨터는 종종 훈련 예시들을 완벽하게 암기하는 데는 너무 뛰어나지만, 배운 내용을 새로운 데이터에 적용하는 데는 실패했습니다. 이는 연습 문제의 답을 완벽하게 외웠지만, 질문이 다르게 표현되면 실제 시험에서 문제를 인식하지 못하는 학생과 비슷합니다. 연구는 이러한 지나치게 복적인 양자 회로가 설계 자체는 인상적일지라도, 새로운 데이터로 테스트했을 때 성능이 급격히 떨어지는 경우가 많다는 것을 보여주었습니다.

연구원은 또한 데이터 포인트 사이의 가장 강력한 통계적 관계만을 사용하여 연결을 만드는 중간 단계의 접근 방식도 살펴보았습니다. 이 방식은 심부전 예측 데이터와 같은 일부 데이터셋에서는 성능을 향상시켰지만, 상당한 대가를 치러야 했습니다. 이러한 연결을 구축하는 데는 양자 계산에서 훨씬 더 많은 단계가 필요했으며, 이는 시뮬레이션을 실행하는 데 필요한 시간과 요구되는 연산 횟수를 증가시켰습니다. 신용 위험 데이터와 같은 다른 데이터셋의 경우, 이러한 추가적인 노력은 아무런 이득을 주지 못했습니다. 즉, 단순한 방법과 복잡한 방법이 동일한 결과를 냈으며, 이는 추가적인 노력이 낭비되었음을 의미합니다. 연구는 최선의 접근 방식이 분석되는 데이터의 구체적인 성격에 따라 전적으로 달라진다는 것을 발견했습니다. 모든 문제에 작동하는 단 하나의 '마법 같은' 인코딩 전략은 없었습니다.

이러한 엇갈린 결과들을 이해하기 위해, 연구원은 서로 다른 방법들을 점수 매기는 새로운 방식을 개발했습니다. 단순히 컴퓨터가 얼마나 많은 정답을 맞혔는지만 보는 대신, 이 새로운 점수는 컴퓨터가 생각하는 데 걸린 시간과 학습을 일반화하는 데 얼마나 어려움을 겪었는지까지 함께 고려했습니다. 이 균형 잡힌 점수를 적용했을 때, 가장 복잡한 방법들은 종종 목록의 하위권에 머물렀습니다. 예를 들어, 학생 성적 데이터셋에서 단순한 인코딩 방식은 빠르고 정확하며 신뢰할 수 있었기 때문에 가장 높은 점수를 받았습니다. 반면, 가능한 모든 데이터 포인트를 연결하려고 했던 가장 복잡한 방법은 느리고 새로운 데이터에 대해 많은 실수를 범했기 때문에 가장 낮은 점수를 받았습니다. 심지어 복잡한 방법이 가장 높은 원시 정확도를 달적인 데이터셋에서도, 그 방법은 훨씬 더 빠르고 안정적인 약간 더 단순한 방법보다 낮은 순위를 기록했습니다.

연구는 양자 기계 학습의 미래가 가능한 가장 복잡한 회로를 구축하는 것이 아니라, 특정 작업에 적합한 도구를 선택하는 데 있다고 결론짓습니다. 이 연구는 양자 시스템에 무작정 더 많은 연결과 얽힘을 추가하는 것이 반드시 더 나은 결과를 보장하지 않는다는 점을 시사합니다. 대신, 가장 효과적인 전략은 데이터의 구조를 먼저 이해한 다음, 불필요한 복잡성 없이 그 구조에 부합하는 인코딩 방법을 선택하는 것입니다. 이러한 접근 방식은 양자 컴퓨터가 단순히 오래된 예시를 암기하는 것이 아니라, 효율적이고 새로운 정보로부터 학습할 수 있도록 보장합니다. 성능에 대한 필요성과 현재 기술의 한계를 신중하게 균형 잡음으로써, 연구자들은 강력할 뿐만 아니라 실용적이고 신뢰할 수 있는 양자 모델을 구축할 수 있습니다.

기술 요약: QSVM을 이용한 이진 분류를 위한 양자 특징 인코딩 전략 벤치마킹

문제 정의
양자 기계 학습(QML)에서 클래식 데이터를 양자 상태로 인코딩하는 방법(양자 특징 매핑)은 분류 성능과 양자 회로 복잡도 모두를 결정하는 핵심 요소이다. 각도 인코딩(angle encoding)이나 표준 ZZ 특징 맵(ZZ feature maps)과 같은 다양한 인코딩 전략이 존재하지만, 이들은 클래식 데이터셋에 내재된 통계적 관계를 반드시 반영하지 않는 사전 정의된 얽힘 토폴로지(선형, 원형 또는 완전 연결형)에 의존하는 경우가 많다. 본 연구는 클래식 특징 간의 통계적 의존 구조를 양자 특징 맵 설계에 직접 통합하는 것이 QSVM 성능을 개선할 수 있는지, 그리고 그로 인한 성능 향상이 증가된 회로 복잡도와 계산 비용을 정당화할 수 있는지를 다룬다.

연구 방법론
본 연구는 다섯 가지 서로 다른 이진 분류 데이터셋(EEG 안구 상태 분류, 심부전 예측, 신용 위험, 학생 성취도, 알츠하이머병)에 대해 상태 벡터 기반의 계산 프레임워크를 사용하여 QSVM을 시뮬레이션하였다. 실험 워크플로우는 다음과 같다:

데이터 전처리: 데이터셋을 정규화하고 범주형 변수를 수치적으로 인코딩하였다. 고차원인 알츠하이머병 데이터셋의 경우, 계산 제약을 관리하기 위해 처음 14개의 주성분을 유지하도록 주성분 분석(PCA)을 적용하였다(약 49.6%의 분산 설명).
인코딩 전략:
- 베이스라인: 표준 Angle-RY 인코딩, H+RY(Hadamard 게이트가 포함된 Angle-RY), Z 특징 맵, 그리고 선형, 원형, 완전 얽힘 토폴로지를 가진 ZZ 특징 맵.
- 제안된 접근 방식 (RY+CRY): 개별 특징은 $RY(\theta)$ 회전을 통해 매핑되는 한편, 특징 쌍 사이의 통계적 관계는 제어된-RY(CRY) 게이트를 통해 통합되는 새로운 인코딩 전략이다. CRY 회전 각도를 결정하기 위해 피어슨 상관계수, 스피어먼 상관계수, 켄달 타우(Kendall's Tau), 상호 정보량(MI), 거리 상관계수(Distance Correlation) 등 다섯 가지 통계적 의존성 척도가 사용되었다.
평가 지표: 성능은 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-score, ROC-AUC를 통해 평가되었다. 일반화 능력은 훈련-테스트 정확도 격차와 로그 손실(Log-Loss)을 통해 평가되었다. 회로 복잡도는 논리 게이트 수, 회로 깊이, 분해된 CX 게이트 수로 측정되었다. 계산 비용은 상태 벡터 생성 시간, 커널 계산 시간, 훈련 시간을 통해 추적되었다.
복합 지표 (QFES): 분류 성능, 일반화(정확도 격차), 그리고 계산 비용(정규화된 깊이, 게이트 수, 시간)을 공동으로 평가하기 위해 양자 특징 인코딩 점수(QFES)가 도입되었다.

주요 기여

데이터 기반 특징 매핑: 본 연구는 정적인 토폴로지 기반의 얽힘을 넘어, 제어 게이트를 사용하여 클래식 특징 간의 통계적 의존성을 양자 회로에 직접 임베딩하는 방법을 제안하고 체계적으로 평가한다.
포괄적 벤치마킹: 다섯 가지 다양한 데이터셋에 대해 표준 양자 특징 맵과 다섯 가지 서로 다른 통계적 의존성 척도를 비교 분석한다.
통합 평가 프레임워크: 단순한 정확도 지표를 넘어, 회로 복잡도와 낮은 일반화 성능에 페널티를 부여하는 QFES를 도입함으로써, NISQ 시대의 QSVM 생존 가능성에 대한 보다 현실적인 평가를 제공한다.
복잡도에 대한 경험적 증거: 더 밀집된 얽힘이나 더 복잡한 특징 맵이 반드시 더 나은 성능으로 이어진다는 가설에 이의를 제기하며, 최적의 전략은 데이터셋에 따라 달라짐을 입증한다.

결과
결과는 데이터셋마다 크게 달랐으며, 이는 단일한 "보편적" 최적 인코딩 전략이 존재하지 않음을 나타낸다:

EEG 안구 상태 데이터셋: 완전 연결된 ZZ 특징 맵이 가장 높은 테스트 정확도(0.850)를 달성했으나, 큰 훈련-테스트 격차(0.150)와 높은 계산 비용을 보였다. Z 특징 맵은 0.834의 정확도를 달성하면서도 현저히 낮은 회로 깊이와 비용을 제공하여 우수한 균형을 보여주었다. RY+CRY 방식은 기본 Angle-RY보다 개선된 성능을 보였으나 상당한 회로 오버헤드를 발생시켰다.
심부전 예측 데이터셋: 피어슨 및 거리 상관계수에 기반한 RY+CRY 방식이 가장 높은 테스트 정확도(0.883)를 기록했다. 그러나 ZZ 기반 맵은 심각한 과적합을 보였다(예: ZZ circular는 0.994의 훈련 정확도를 달성했으나 테스트 정확도는 0.757에 불과함). Z 특징 맵은 성능과 복잡도 사이에서 최적의 절충안을 제공했다.
신용 위험 데이터셋: 모든 인코딩 전략이 동일한 테스트 정확도(0.908), 정밀도, 재현율, F1-score를 나타냈다. 그러나 ROC-AUC 값은 달랐으며, 거리 상관계수 기반의 RY+CRY가 가장 우수했고(0.663), Z 특징 맵이 가장 낮았다(0.464). 이는 임계값 의존적 지표들은 둔감했지만, 결정 점수 분포는 달랐음을 시사한다.
학생 성취도 데이터셋: Z 특징 맵이 다른 모든 방법보다 월등히 뛰어난 성능을 보였다(테스트 정확도: 0.944, F1: 0.900). 반면, 완전 연결된 ZZ 맵은 극심한 과적합을 겪었다(테스트 정확도: 0.712, F1: 0.040).
알츠하이머병 데이터셋: 단순 Angle-RY와 피어슨 기반 RY+CRY가 가장 높은 테스트 정확도(0.764)를 달성했다. 복잡한 ZZ 맵은 완벽한 훈련 정확도에도 불구하고 재현율과 F1 점수가 거의 0에 가까웠다. 연구에서는 PCA 차원 축소가 이러한 결과에 영향을 미쳤을 가능성을 언급하였다(약 50%의 분산만 유지됨).

의의 및 주장
본 논문은 양자 특징 인코딩 전략의 효과가 단방향적이지 않으며, 데이터 구조, 특징 표현, 그리고 얽힘 토폴로지 간의 상호작作用에 달려 있다고 결론짓는다.

복잡도 vs 성능: 회로 복잡성을 높이는 것(예: 완전 ZZ 연결성 또는 모든 쌍의 의존성 인코딩)이 반드시 분류 성능 향상을 보장하지 않으며, 종종 과적합과 일반화 능력 저하를 초래한다.
통계적 의존성: CRY 게이트를 통해 통계적 관계를 통합하는 것은 특정 데이터셋(예: EEG, 심부전)에서 기본 각도 인코딩보다 성능을 개선할 수 있지만, 그 이점은 회로 깊이와 게이트 수의 이차적(quadratic) 증가와 비교 형량되어야 한다.
자원 효율성: Z 특징 맵 및 Angle-RY와 같은 단순한 맵이 성능, 일반화, 계산 비용 측면에서 가장 유리한 균형을 제공하는 경우가 많으며, 이는 QFES 순위에서도 확인된다.
평가 패러다임: 저자는 QSVM를 평가할 때 예측 성능, 일반화 동작, 자원 비용에 대한 종합적인 관점이 필요하다고 주장한다. 정확도나 ROC-AUC에만 의존하는 것은 모델의 강건성과 효율성 사이의 중요한 차이를 가릴 수 있다.

본 연구는 향후 양자 기계 학습 설계가 모든 쌍의 관계를 인코딩하는 대신, 가장 정보가 많은 의존성만을 인코딩하는 희소(sparse) RY+CRY 구조를 활용하는 등 "데이터 인지적(data-aware)"이고 "자원 의식적(resource-conscious)"인 인코딩 전략을 우선시해야 함을 시사한다.

유사한 논문