양자 해밀토니안 임베딩으로 학습 데이터 전체를 하나의 해밀토니안에 넣어 분류한다

무엇인가

이 논문은 양자 머신러닝(QML)에서 흔히 요구되는 조건—학습 가능성, 일반화 보장, 효율적 추론, 고전적으로 시뮬레이션하기 어려움, 실제 양자 프로세서에서의 확장성—을 동시에 만족하는 감독 학습 프레임워크를 다룬다. 기존 파라미터화 양자 회로는 얕으면 고전적으로 시뮬레이션되기 쉽고, 깊으면 배런 플래토 때문에 최적화가 어렵다. 양자 커널도 일반 데이터셋에서 효과적인 커널을 찾기 어렵다는 문제가 있다. 저자들은 학습 데이터 전체를 하나의 파라미터화된 해밀토니안으로 인코딩하고, 그 바닥 상태가 분류 규칙을 정의하는 Hamiltonian embedding을 제안한다.

어떻게 동작하나

이진 분류에서 각 학습점 (x_l,y_l)에 대해 입력과 학습 파라미터 α로 정의되는 인코딩 유니터리 U(x,α)와 레이블 의존 관측량 O(y)를 둔다. O(0)+O(1)=I가 되도록 O(y)=(I+(-1)^y A)/2로 두고, A의 스펙트럼은 [-1,1]로 정규화한다. 각 데이터점은 H_z(α)=U†(x,α)O(y)U(x,α)라는 항을 만들고, 전체 데이터 해밀토니안은 H_T(α)=I-(1/N)Σ_l U†(x_l,α)O(y_l)U(x_l,α)가 된다. 최적화된 해밀토니안의 근사 바닥 상태 |ψ_T,α>에 새 입력 x'의 인코딩을 적용해 P(x',y)=Tr[O(y)U(x',α)|ψ><ψ|U†]를 계산하고, 확률이 큰 레이블을 고른다.

무엇과 다른가

학습은 경험적 에너지 비용 C_hat=<ψ|H_T(α)|ψ>=평균[1-<ψ|H_z(α)|ψ>]를 낮추는 방식으로 진행된다. α를 고정한 뒤 양자 알고리즘으로 근사 바닥 상태를 구하고, 상태를 고정한 채 α를 갱신하는 교대 중첩 절차를 반복한다. 그라디언트는 파라미터 시프트 규칙으로 추정한다. 얕은 국소 인코딩을 쓰면 학습된 상태의 고전적 표현으로 손실과 그라디언트, 추론까지 고전적으로 계산할 수 있어 양자 프로세서는 학습 중 바닥 상태 근사에만 쓰인다. 저자들은 이 영역에서 관련 파라미터 부분공간의 배런 플래토가 없음을 보이고, 측정 가능한 이진 목표 함수에 대한 보편 근사 구성도 제시한다.

어떻게 쓰나

이론적으로 학습된 상태가 충분히 낮은 에너지를 가지면 행렬 Hoeffding 부등식과 커버링 수 논증으로 일반화를 보인다. 고정된 일반화 오차에 대해 필요한 데이터셋 크기는 큐비트 수와 변분 파라미터 수에 로그 인자까지 선형으로 비례한다. 또한 표준 암호학적 가정, 구체적으로 이산 세제곱근 계산의 고전적 어려움 아래에서 Hamiltonian embedding이 효율적 고전 알고리즘의 범위를 넘는 가설 함수를 실현하는 분류 문제를 구성한다. 이때 어려운 계산은 인코딩 회로가 아니라 데이터 의존 양자 최적화의 바닥 상태 준비에 있다.

전제와 한계

실험은 Fashion-MNIST의 dress와 shirt 이진 분류다. PCA로 입력을 n개 특징으로 줄여 n큐비트 모델에 넣었고, 800개 샘플을 448개 학습, 112개 검증, 240개 테스트로 나눴다. n=2,4,...,50의 각 크기마다 100개 랜덤 시드로 데이터 분할과 초기 파라미터를 정했다. 모델은 K=3의 상수 깊이 인코딩을 쓰며, 각 층은 세 개의 단일 큐비트 회전과 이웃 큐비트 간 ZZ 회전 고리로 구성되고 12n개의 파라미터 게이트를 가진다. 판독 관측량은 A=(1/n)ΣZ_i다. 학습은 에너지 손실을 Adam과 L2 페널티로 최소화했고, 각 반복의 바닥 상태는 고전 반복 솔버로 근사했다.

고전 반복 솔버를 쓴 Hamiltonian embedding은 최고 양자 커널 베이스라인보다 평균 테스트 정확도가 0.018에서 0.067 높았다. 평균 정확도는 n=2에서 0.880, 중간 크기에서 약 0.924까지 오르고 n=50에서 0.886으로 내려갔다. 비교한 양자 커널 중 product-state E1 기반 fidelity 커널은 0.798에서 0.515로, 같은 임베딩의 projected 1-RDM 커널은 최대 0.887에서 0.831로 떨어졌다. IQP 유사 E2 임베딩의 projected 커널은 n이 커지며 빠르게 하락해 0.65 근처에 머물렀다. 다만 최고 고전 베이스라인인 RBF 커널 SVM은 약 0.946으로 가장 높았다. 하드웨어에서는 IBM Heron 프로세서에서 SKQD로 바닥 상태를 근사했고, n=50 실행은 156큐비트 ibm_pittsburgh에서 50개 데이터 큐비트를 선형 체인에 매핑해 수행했다. 이 실행은 최고 고전 베이스라인과 경쟁적이었고 다른 양자 방법보다 좋았다.

개발자 관점에서 이 프레임워크는 양자 ML을 학습 시점의 바닥 상태 솔버와 추론 시점의 고전적 표현으로 분리할 수 있음을 보여준다. 얕은 인코딩을 쓰면 추론을 고전적으로 처리할 수 있어, 양자 하드웨어가 반드시 추론 경로에 있어야 하는 구조는 아니다. 다만 저자들은 일반 학습 과제에서 Hamiltonian embedding의 귀납적 편향이 고전·양자 대안보다 언제 우세한지 불명확하다고 밝힌다. 고전 데이터셋에서는 대칭성 논증이 직접 적용되지 않을 수 있어 과제별 벤치마킹과 휴리스틱 모델 설계가 필요하다. 또한 근사 바닥 상태만으로도 낮은 에너지면 충분하다는 전제, 에너지 감소가 분류 정확도 증가와 반드시 동시에 일어나지는 않는다는 점, 고전 반복 솔버의 성능이 SKQD의 성능을 예측하지는 않는다는 점, 하드웨어 실험에서 동적 디커플링과 측정 트월링 외 추가 오류 완화를 쓰지 않았다는 점도 한계로 남는다.