범용 판별 양자 신경망

초록

이 논문은 근시점 양자 회로를 하이브리드 최적화로 학습시켜 비직교 양자 상태와 혼합 상태를 최소 오류 혹은 무모호 판별 전략으로 구분하는 방법을 제시한다. 파라미터화된 POVM 회로를 유니버설 CNOT·단일 큐비트 게이트 토폴로지로 설계하고, Adam 옵티마이저를 이용해 비용함수를 최소화한다. 실험적 시뮬레이션에서 얕은 회로가 이론적 Helstrom·Holevo 한계에 근접함을 보이며, 훈련된 회로가 보지 못한 상태에도 일반화되는 능력을 확인한다.

상세 분석

본 연구는 양자 상태 구별이라는 근본적인 양자 정보 처리 문제를 양자‑클래식 하이브리드 학습 프레임워크에 매핑한다. 저자들은 먼저 비직교 상태들의 확률분포를 정의하고, 이를 구별하기 위한 최적 측정인 Positive‑Operator‑Value‑Measure(POVM)를 파라미터화된 양자 회로 형태로 구현한다. 회로 토폴로지는 CNOT과 단일 큐비트 회전으로 구성된 유니버설 게이트 집합을 사용하며, QR·코사인‑사인 분해를 통해 최소 CNOT 수를 보장한다. 이는 근시점(NISQ) 디바이스에서 오류 전파를 최소화하고, 파라미터 수가 입력 큐비트 수에 대해 다항적으로 스케일하도록 설계된 점이 핵심이다.

학습 과정은 Adam stochastic gradient descent를 이용해 비용함수 J₁을 최소화한다. 비용함수는 성공 확률 1‑Pₛᵤ꜀와 오류 확률 Pₑᵣᵣ에 가중치를 부여한 형태이며, αₑᵣᵣ 파라미터를 조절해 최소 오류(Min‑Error)와 무모호(Unambiguous) 판별 사이의 트레이드‑오프를 탐색한다. 훈련 데이터는 두 개의 상태 군(순수 상태 ψ₁(a)와 혼합 상태 ψ₂/₃)으로 구성되며, 각 군은 실수 파라미터 a∈