💻 computer science

A Parallel Quantum–Classical Hybrid Architecture for Image Classification

본 논문은 MNIST, CIFAR-10 및 열화상 이미지 데이터셋에서 경쟁력 있는 정확도를 달성하기 위해 공유된 고전적 특징 추출기와 다양한 인코딩 전략 및 얽힘 토폴로지를 가진 다수의 양자 브랜치를 활용하는, 매개변수 효율적이고 병렬적인 양자-고전 하이브리드 이미지 분류 아키텍처를 제안한다.

원저자: Alireza Torkashvand¹, Yadollah Shahamat

게시일 2026-10-06

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Alireza Torkashvand¹, Yadollah Shahamat

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

현대 컴퓨팅의 세계에서 기계는 이미지 속의 패턴을 인식하는 데 매우 능숙해졌습니다. 기계는 고양이를 식별하거나 특정 필기 숫자를 찾아내는 일을 인간의 능력보다 종종 더 빠르고 정확하게 수행할 수 있습니다. 이러한 성공은 수백만 개의 미세한 내부 설정, 즉 매개변수(parameters)를 조정하여 정답을 찾아내는 인공지능 시스템에 의존합니다. 그러나 이러한 시스템이 더 어려운 과제를 처리하기 위해 점점 더 복잡해짐에 따라, 실행을 위해 방대한 양의 메모리와 에너지를 필요로 하게 되며, 이는 컴퓨터가 너무 무겁고 느려져 실용성이 떨어지는 병목 현상을 초래합니다. 과학자들은 이제 우주의 가장 작은 입자들의 행동을 연구하는 분야인 양자 물리학에서 도구를 빌려와 다른 길을 탐색하고 있습니다. 정보를 단순한 온-오프 스위치로 처리하는 표준 컴퓨터와 달리, 양자 시스템은 동시에 여러 상태로 존재할 수 있어 정보를 더 효율적으로 처리할 수 있는 잠재력을 제공합니다. 과제는 이 취약한 양자 시스템을 우리가 매일 사용하는 견고한 고전 컴퓨터와 연결하여, 엄청난 수의 프로세서 없이도 문제를 해결할 수 있는 두 세계의 장점을 모두 갖춘 하이브리드 기계를 만드는 것입니다.

테헤란의 이맘 호세인 종합 대학교(Imam Hossein Comprehensive University) 연구진은 이러한 하이브리드 기계를 이미지 분류를 위해 특별히 구축하는 새로운 방법을 제안했습니다. 그들의 연구는 양자 컴퓨터가 우리 휴대폰이나 노트북의 컴퓨터를 대체할 준비가 되었다고 주장하거나, 이미 시각 분야의 모든 문제를 해결했다고 제안하는 것이 아닙니다. 대신, 그들은 매우 효율적인 의사 결정자 역할을 하는 특정 아키텍처를 설계했습니다. 원자재가 컨베이어 벨트를 통해 들어오는 공장을 상상해 보십시오. 이 경우 원자재는 사진의 픽셀입니다. 기계의 첫 번째 단계는 숙련된 분류기 역할을 하는 표준적인 고전 컴퓨터 프로그램입니다. 이 프로그램은 이미지를 스캔하여 기본적인 모양과 질감을 식로하고, 이 시각적 정보를 더 작고 관리하기 쉬운 요약본으로 압축합니다. 이 단계는 사진의 방대한 데이터를 가장 필수적인 특징들로 줄여 다음 단계를 위해 준비시키는 데 매우 중요합니다.

혁신은 이 초기 분류 이후에 일어납니다. 요약된 데이터를 최종 결정을 내리기 위해 하나의 크고 복잡한 고전적인 뇌로 전달하는 대신, 연구진은 정보를 나누어 세 개의 별도 평행 경로로 보냈습니다. 각 경로는 소형화된 특수 양자 프로세서로 이어집니다. 이 프로세서들은 거대한 슈퍼컴퓨터가 아니라 데이터를 독특한 방식으로 조작하도록 설계된 컴팩트한 회로입니다. 연구진은 이 세 경로가 단순히 서로의 복사본이 아니도록 보장했습니다. 즉, 의도적으로 다르게 만들어졌습니다. 한 경로는 데이터 특징의 순서를 재배열했고, 다른 경로는 정보를 층(layers) 형태로 주입했으며, 세 번째 경로는 회로의 내부 구성 요소를 독특한 패턴으로 연결했습니다. 데이터를 이 세 가지 서로 다른 양자 풍경을 통과하게 함으로써, 시스템은 단일 경로가 할 수 있는 것보다 동일한 이미지로부터 더 풍부하고 다양한 통찰력을 추출할 수 있었습니다.

데이터가 이 세 가지 양자 분기를 통과하면, 시스템은 결과를 측정하고 이를 하나의 컴팩트한 숫자 목록으로 결합합니다. 이 목록은 아주 단순한 최종 분류기, 즉 조정 가능한 설정값이 매우 적은 작은 의사 결정 장치로 전달됩니다. 목표는 이 간소화된 접근 방식이 훨씬 더 크고 복잡한 뇌를 사용하여 최종 단계를 수행하는 전통적인 시스템의 성능과 일치할 수 있는지 확인하는 것이었습니다. 연구진은 세 가지 다른 유형의 이미지 컬렉션, 즉 필기 숫자, 자동차나 동물 같은 일상적인 사물, 그리고 가시광선 대신 열 신호를 보여주는 열화상 이미지를 대상으로 이 설계를 테스트했습니다. 결과는 놀라웠습니다. 필기 숫자를 인식하는 작업에서, 이 하이브리드 시스템은 동일한 초기 이미지 분류기를 사용하지만 훨씬 더 큰 최종 뇌를 사용하는 완전한 고전 시스템보다 약간 더 높은 98.35%의 정확도를 달 기록했습니다.

자연물 및 열화상 이미지를 포함하는 더 어려운 과제에서도 하이브리드 시스템은 매우 경쟁력 있는 모습을 보였으며, 고전적 표준의 몇 퍼센트 이내의 차이만을 유지했습니다. 그러나 가장 중요한 발견은 단순히 정확도가 아니라 효율성이었습니다. 하이브리드 시스템은 최종 의사 결정 단계가 극도로 작음에도 불구하고 이러한 결과를 달성했습니다. 한 사례에서 고전 시스템은 하이브리드 버전보다 약 12배 더 많은 조정 가능한 설정값을 가진 최종 헤드를 필요로 했습니다. 이는 데이터를 바라보는 방식을 다양화하기 위해 평행 양자 처리를 사용함으로써, 시스템이 가장 중요한 정보를 훨씬 더 작은 공간에 집중시켜 작은 분류기가 핵심적인 역할을 수행할 수 있게 함을 시사합니다.

연구진은 이 결과가 실제 양자 기계를 사용한 것이 아니라 양자 기계의 동작을 모방하는 표준 컴퓨터상의 시뮬레이션을 통해 생성되었음을 주의 깊게 명시했습니다. 이는 해당 설계가 이론적으로 작동하며 통제된 디지털 환경에서 작동함을 증명하지만, 아직 노이즈와 오류에 민감한 물리적 양자 장치에서의 실질적인 이점을 입증한 것은 아님을 의미합니다. 또한, 이 연구는 전체 시스템이 더 적은 자원을 사용한다고 주장한 것이 아니라, 최종 결정이 내려지는 특정 단계가 훨씬 더 효율적이 되었다는 것을 의미합니다. 양자 부분을 작고 평행하게 유지하고 최종 결정 레이어를 단순하게 유지함으로써, 팀은 높은 성능을 유지하면서도 최종 단계의 복잡성을 크게 줄이는 것이 가능하다는 것을 보여주었습니다.

이 연구는 가까운 미래에 양자와 고전 컴퓨팅이 어떻게 협력할 수 있는지에 대한 명확한 로드맵을 제공합니다. 이는 우리가 현재의 강력한 이미지 인식 시스템을 완전히 교체할 필요가 없음을 시사합니다. 대신, 데이터를 약간씩 다른 각도에서 바라보는 다양한 렌즈 역할을 하는 특화된 평행 양자 단계를 추가하여 보완할 수 있습니다. 이러한 관점들을 결합함으로써, 시스템은 훨씬 더 가벼운 발자국으로 정확한 결정을 내릴 수 있습니다. 이 연구는 적절한 구조, 즉 작업을 나누고, 양자 경로를 다양화하며, 최종 결정을 단순하게 유지함으로써, 하이브리드 기계가 강력하면서도 효율적일 수 있으며, 기능하기 위해 기하급수적으로 늘어나는 자원을 필요로 하지 않는 더 유능한 인공지능을 위한 길을 열어준다는 것을 입증합니다.

기술 요약: 이미지 분류를 위한 병렬 양자-고전 하이브리드 아키텍처

문제 정의
고차원 특징 표현을 포함하는 이미지 분류 작업은 종종 거대한 완전 연결 분류층(fully connected layers)을 필요로 하며, 이는 상당한 파라미터 점유율로 이어진다. 양자 기계 학습(QML)은 매개변수화된 양자 회로(PQC)를 고전적 학습과 통합하는 프레임워크를 제공하지만, 실제적인 하이브리드 아키텍처는 표현력(expressivity), 학습 가능성(예: barren plateaus), 그리고 제한된 큐비트 자원의 효율적 사용 측면에서 과제에 직면해 있다. 기존 문헌들은 하이브리드 파이프라인, 병렬 양자 회로, 그리고 다양한 인코딩 전략을 개별적으로 탐구해 왔으나, 최종 결정 단계의 파라미터 수를 최소화하면서도 경쟁력 있는 정확도를 유지하는 데 특화된 체계적인 통합 연구는 부족한 실정이다.

방법론
저자들은 이미지 데이터를 세 가지 뚜렷한 기능적 단계를 통해 처리하도록 설계된 병렬 양자-고전 하이브리드 아키텍처를 제안한다:

고전적 특징 추출 (Classical Feature Extraction): 공유된 합성곱 신경망(CNN) 백본이 입력 이미지로부터 저수준 및 중간 수준의 공간적 특징을 추출한다. 추출된 특징들은 적응형 평균 풀링(adaptive average pooling)을 거친 후, 밀집 선형층(dense linear layer)을 통해 잠재 특징 벡터( $z$ )로 투영된다.
병렬 변분 양자 모듈 (Parallel Variational Quantum Module): 잠재 특징들은 세 개의 병렬 양자 브랜치( $P=3$ $P = 3$ )에 의해 처리된다. 브랜치들이 중복된 표현이 아닌 상호 보완적인 표현을 생성하도록 보장하기 위해, 아키텍처는 세 가지 특정 다양화 메커니즘을 채택한다:
- 인코딩 특화 전략 (Encoding-Specific Strategies):
  - 진폭 인코딩 (Amplitude Encoding): 특징들을 정규화하여 상태 진폭(state amplitudes)에 임베딩한다. 다양성을 유도하기 위해, 인코딩 전 특징 맵에 결정론적인 $8\times8$ 공간 순열(spatial permutations)을 적용하여 고전적 특징과 양자 기저 상태 사이의 대응 관계를 변경한다.
  - 각도 인코딩 (Angle Encoding - YZ 및 Dense): 특징들을 회전 각도로 매핑한다. 레이어별 데이터 재업로딩(data re-uploading) 메커니즘을 사용하여, 비중첩(non-overlapping) 부분 집합을 서로 다른 회로 레이어와 브랜치에 주입함으로써 제한된 큐비트 수 하에서의 표현력을 높인다.
- 이종 얽힘 토폴로지 (Heterogeneous Entanglement Topologies): 각 브랜치는 서로 다른 얽힘 패턴(Ring, Brick-Wall, Long-Range Skip)을 사용하며, 레이어 의존적 동적 라우팅 오프셋을 활용한다. 이는 추가적인 학습 가능 파라미터 없이 큐비트 간 상호작용을 다양화한다.
- 회로 구조 (Circuit Structure): 각 브랜치는 회전-얽힘-회전 구조를 가진 다층 변분 양자 회로(VQC)를 채택한다. 단일 큐비트 회전에는 풀 오일러 각도(full Euler angles)가 사용되며, 얽힘은 CNOT 게이트를 통해 구현된다.
컴팩트 분류 헤드 (Compact Classification Head): 각 브랜치의 모든 큐비트에 대해 Pauli-X 및 Pauli-Z 관측값의 기대값이 측정된다. 이 벡터들은 결합되어 통합된 고전적 표현( $h_Q$ )을 형성하며, 이는 클래스 로짓(class logits)을 생성하기 위해 단일 컴팩트 선형 분류기에 입력된다.

주요 기여
본 논문은 네 가지 주요 기여를 식별한다:

파라미터 효율적 아키텍처: 공유 CNN 백본과 세 개의 병렬 양자 브랜치, 그리고 선형 결정 헤드를 결합하여, 분류 단계의 파라미터 수를 줄이도록 특별히 설계된 구조를 제시한다.
인코딩 의존적 다양화: 진폭 인코딩을 위한 결정론적 공간 순열과 각도 인코딩을 위한 구조화된 레이어별 데이터 재업로딩을 도입한다. 이를 통해 추가적인 고전적 스케일링 파라미터 없이 64개 및 128차원 특징을 단 6~7개의 큐비트로 인코딩할 수 있다.
이종 토폴로지: 병렬 하이브리드 이미지 분류기에서 이전에 사용되지 않았던, 서로 다른 얽힘 패턴(ring, brick-wall, long-range skip)과 동적 라우팅의 조합을 적용한다.
고립된 평가: 동일한 고전적 베이스라인과 비교하여 다중 데이터셋(MNIST, CIFAR-10, 열화상 이미지 데이터셋)에 대한 평가를 수행함으로써, 특징 추출 능력으로부터 양자 결정 단계의 효율성을 분리하여 검증한다.

실험 결과
아키텍처는 PennyLane/PyTorch를 이용한 노이즈 없는 상태 벡터 시뮬레이션 상에서 세 가지 데이터셋에 대해 평가되었다:

MNIST: 하이브리드 모델은 높은 정확도를 달성하였으며, HybridAmplitudeParallel 변형은 **98.35%**의 테스트 정확도에 도달하여 완전 고전 베이스라인(98.01%)을 약간 상회하였다.
CIFAR-10: 하이브리드 모델은 경쟁력을 유지하였으며, 가장 우수한 양자 변형은 고전 베이스라인의 **64%**와 비교하여 약 **62%**의 정확도를 기록하였다. 진폭 인코딩 변형이 가장 견고한 성능을 보였다.
열화상 데이터셋 (Thermal Dataset): 모든 모델은 92%에서 93% 사이의 테스트 정확도를 달성하여 고전 베이스라인과 일치하는 결과를 보였다.
파라미터 효율성: 하이브리드 아키텍처는 이와 같은 결과들을 훨씬 더 작은 분류 헤드로 달성하였다. MNIST의 경우, 고전 헤드는 하이브리드 선형 헤드보다 약 12배 더 많은 파라미터를 포함하고 있었다. 이러한 감소에도 불구하고, 하이브리드 모델은 MNIST에서 고전 모델의 성능을 유지하거나 능가하였으며, 더 복잡한 데이터셋에서도 좁은 차이(≤2%) 내에 머물렀다.
표현력 및 얽힘 (Expressibility and Entanglement): 분석 결과, 높은 얽힘 능력(Meyer–Wallach 지표 ~0.92–0.96)과 Haar-random 분포로부터 낮은 KL 발산(KL divergence)을 보여, 회로가 다양한 상태 분포를 생성할 수 있음을 확인하였다.

의의 및 주장
본 논문은 제안된 아키텍처가 병렬 양자 프로세싱이 구조화된 데이터 임베딩 및 고전적 특징 추출과 결합될 때, 이미지 분류를 위한 효과적이고 파라미터 효율적인 결정 단계로서 기능할 수 있음을 입증한다고 겸허하게 주장한다.

저자들은 본 연구가 범용적인 양자 우위나 전체 네트워크의 전체적인 파라미터 감소를 주장하는 것이 아님을 명시적으로 밝힌다. 대신, 기여는 하이브리드 모델의 최종 단계에서의 **파라미터 효율적 의사 결정(parameter-efficient decision making)**에 대한 평가로 프레임화된다. 결과는 정교하게 다양화된 양자 단계가 판별적 정보를 저차원 표현으로 압축하여, 경량 선형 분류기가 더 깊은 다층 퍼셉트론(MLP)에 맞서 경쟁력 있게 수행할 수 있음을 시사한다. 저자들은 실험이 노이즈가 없는 시뮬레이터와 작은 큐비트 수(최대 7개)에서 수행되었음을 언급하며, 따라서 본 연구의 결과가 실질적인 우위보다는 아키텍처의 실행 가능성을 반영한다는 한계점을 인정한다.

기술 요약: 이미지 분류를 위한 병렬 양자-고전 하이브리드 아키텍처

유사한 논문