The Shot Gap: Bloch-Sphere Geometry and the Hidden Measurement Budget of Single-Qubit Quantum Classifiers

기술 요약: 단일 큐비트 양자 분류기의 샷 갭(Shot Gap)

문제 정의
단일 큐비트 데이터 재업로딩(data re-uploading) 분류기는 입력 데이터를 블로흐 구(Bloch sphere) 상의 점으로 매핑하며, 여기서 결정 경계는 데이터 의존적 회전과 학습 가능한 회전을 교차하여 형성됩니다. 표준 평가 프로토콜은 많은 횟수의 회로 반복("샷", shots)을 통해 측정된 관측량(일반적으로 $\langle Z \rangle$)의 기댓값을 추정하고 그 결과를 임계값 처리(thresholding)하여 정확도를 산출합니다. 이렇게 보고된 정확도($A_\infty$)는 무제한의 측정 예산을 전제로 합니다. 그러나 단일 준비 및 측정이 가능한 실제 추론 시나리오에서, 분류기의 성능은 양자 상태 식별 이론에 의해 근본적으로 제한됩니다. 구체적으로, 미지의 상태로부터 단일 복사본을 얻었을 때 올바른 추측을 할 확률은 클래스 조건부 평균 블로흐 벡터 사이의 분리도에만 의존하는 헬스트롬 한계(Helstrom limit, $A_H$)에 의해 제한됩니다.

본 논문은 표준적인 임계값 처리 정확도와 단일 샷 정확도 사이의 불일치를 샷 갭(shot gap, $A_\infty - A_1$)이라 명명하고 이를 식별합니다. 핵심 과제는 이 간극을 정량화하고, 그 원인(임베딩 기하학 vs 측정 방식의 선택)을 결정하며, 표준 학습 손실 함수가 단일 샷 성능을 최적화하는지 평가하는 것입니다.

방법론
본 연구는 하드웨어 노이즈와 통계적 불확실성을 제거하기 위해 정밀한 시뮬레이션을 이용한 통제된 계산 실험을 수행합니다.

• 태스크 및 데이터: 선형(linear), 원형(circle), XOR, 4×4 체커보드 경계를 가진 네 가지 합성 이진 분류 태스크를 생성하였으며, 입력은 $[-1, 1]^2$에서 균등하게 추출되었습니다. 레이블 노이즈는 0%와 10% 수준으로 도입되었습니다.
• 모델 아키텍처: 깊이 $L \in \{1, 2, 3, 4, 6\}$를 가진 단일 큐비트 데이터 재업로딩 분류기를 사용했습니다. 각 레이어는 학습 가능한 파라미터를 가진 $R_z R_y R_z$ 회전으로 구성됩니다.
• 학습 체계: 4가지 태스크, 5가지 깊이, 3가지 학습 손실, 2가지 노이즈 수준, 10가지 무작위 시드를 교차하는 1,200회의 실행으로 구성된 요인 설계(factorial design)를 적용했습니다.
  • 비교된 손실 함수: 충실도 비용(fidelity cost, 제곱 오차), 단일 샷 로그 가능도(single-shot log-likelihood, 단일 측정의 정답 확률에 대한 음의 로그 확률), 평활 힌지 손실(smoothed hinge loss, $\langle Z \rangle$의 부호를 최적화).
• 지표 및 검증:
  • $A_1$: 단일 측정 결과의 정확도.
  • $A_H$: 클래스 평균 블로흐 벡터($\bar{r}_0, \bar{r}_1$)로부터 분석적으로 계산된 헬스트롬 한계.
  • $A_\infty$: 임계값 처리된 정확도(무한한 샷의 극한).
  • $A_S$: $S$번의 샷을 통한 다수결 투표 정확도.
  • 검증: 그래디언트는 유한 차분법을 통해 검증되었으며, 블로흐 구 시뮬레이터는 명시적인 상태 벡터 유니터리 시뮬레이션에 대해 검증되었습니다. 또한 헬스트롬 한계는 측정 방향에 대한 브루트 포스 탐색을 통해 교차 확인되었습니다.

주요 기여

1. 단일 샷 부족분의 분해: 본 논문은 오차($1 - A_1$)를 두 가지 비음수 성분으로 나누는 폐쇄형 분해식을 제공합니다.
   • 임베딩 손실 ($1 - A_H$): 임베딩된 상태들의 기하학적 확산으로 인한 오차(블로흐 구 상에서 클래스들이 얼마나 잘 분리되어 있는가).
   • 측정 손실 ($A_H - A_1$): 훈련된 측정 축이 최적의 헬스트롬 측정과 완벽하게 일치하지 않아서 발생하는 오차.
2. 샷 갭의 정량화: 광범위한 파라미터 공간에서 갭을 측정하였으며, 깊이 2 이상의 모델에서 단일 샷 정확도가 보고된 임계값 정확도보다 현저히 낮음을 밝혀냈습니다.
3. 가설 검증: 네 가지 사전 등록된 가설을 테스트했습니다.
   • H1: $A_1 \leq A_H$ (1,200회 실행 모두에서 검증됨).
   • H2: 결정 경계의 비선형성이 높아질수록 갭이 증가한다 (지지되지 않음; 가장 비선형적인 태스크인 체커보드에서 학습 가능성이 낮아 갭이 가장 작게 나타남).
   • H3: 클래스 평균 블로크 벡터의 길이가 학습 손실보다 갭을 더 잘 예측한다 (지지되지 않음; 학습 손실이 더 강력한 예측 변수였음).
   • H4: 단일 샷 로그 가능도가 다른 손실 함수보다 더 작은 갭을 생성한다 (지지됨).

결과

• 갭의 크기: 깊이 2 이상의 회로에서, 평균 임계값 정확도가 0.857인 모델은 단일 샷당 정확도가 0.696에 불과하여 평균 0.161의 샷 갭을 보였습니다. 깊이 6에서 선형, 원형, XOR 태스크에 대해 0.93–0.98의 임계값 정확도를 달성한 모델들은 단일 샷당 0.67–0.86의 정확도만을 전달했습니다.
• 갭의 원인: 임베딩 손실이 단일 샷 부족분의 **96.3%**를 차지했습니다. 훈련된 측정 축은 거의 모든 실행에서 헬스트롬 최적에 가까웠으며, 문제는 측정 기저의 선택이 아니라 임베딩된 상태들의 기하학적 구조였습니다.
• 학습 손실의 영향:
  • 기존의 임계값 점수를 최적화하는 평활 힌지 손실은 가장 큰 샷 갭(선형/원형/XOR 태스크에서 0.26–0.29)을 생성했습니다.
  • 단일 샷 로그 가능도는 89%의 쌍 구성에서 힌지 손실 대비 갭을 좁혔으며(중앙값 감소 0.085), 임계값 정확도에서의 손실은 미미했습니다(중앙값 손실 0.011).
• 샷 예산 회복: 단일 샷 로그 가능도를 사용할 경우 11회의 샷으로 샷 갭의 74%를 회복할 수 있었던 반면, 힌지 손실의 경우 41% 회복에 그쳤습니다. 임계값 점수를 위해 훈련된 모델은 보고된 정확도에 도달하기 위해 대략 10배 더 많은 샷이 필요합니다.

의의 및 주장
본 논문은 샷 예산이 명시되지 않는다면 양자 분류기의 표준적인 정확도 보고가 오해의 소지가 있다고 주장합니다. "샷 갭"은 근본적인 자원 비용을 나타냅니다. 즉, 0.98의 정확도를 보고하는 모델이 단일 샷 추론 환경에서는 0.72의 정확도만을 제공할 수 있다는 것입니다.

저자는 세 가지 실질적인 시사점을 제시합니다:

1. 감사 가능성(Auditability): 훈련된 단일 큐비트 분류기의 헬스트롬 한계는 회로 내부 구조에 접근할 필요 없이 평균 블로흐 벡터($X, Y, Z$)의 추정만으로도 저렴하게 감사할 수 있습니다.
2. 보고 표준: 양자 분류기의 정확도 보고는 훈련 데이터 크기나 컴퓨팅 자원을 명시하는 것과 유사하게, 예측당 샷 수를 반드시 명시해야 합니다.
3. 손실 함수 선택: 단일 샷 또는 퓨 샷(few-shot) 사용을 목적으로 하는 애플리케이션의 경우, 단일 샷 로그 가능도로 훈련하는 것이 임계값 점수에 대한 미미한 페널티를 유지하면서도 갭을 실질적으로 줄일 수 있어 더 우수합니다.

본 연구는 정밀 시뮬레이션을 사용한 단일 큐비트 분류기로 범위를 명확히 제한하며, 하드웨어 노이즈가 갭을 더욱 악화시킬 수 있음을 언급합니다. 이는 양자 우위를 주장하는 것이 아니라, 양자 머신러닝 모델을 평가하고 보고하는 방식에 존재하는 방법론적 간극을 강조하는 것입니다.