무질서가 만든 양자 생성 모델의 착시

초록

이 논문은 무작위 가중치를 가진 양자 신경망(QNN)이 실제로는 무질서 양자 다체 시스템(DQS)과 동일한 동작을 하며, 이러한 무질서가 기억 효과를 남겨 생성된 샘플이 실제 학습된 결과가 아니라 평균화된 무작위 출력임을 보여준다. 저자는 양자 데이터 증강과 이미지 블러링을 예시로 들어, 현재 양자 생성 모델의 성능이 과대평가될 위험을 경고한다.

상세 분석

본 연구는 양자 신경망(QNN)과 무질서 양자 다체 시스템(DQS) 사이의 구조적 유사성을 심도 있게 탐구한다. QNN의 가중치를 무작위로 초기화하면 유니터리성은 유지되지만, 이는 사실상 DQS와 동일한 해밀토니안을 구현하는 것과 같다. 저자들은 1차원 XXZ 모델을 기반으로 한 해밀토니안을 사용해, 강한 무질서(d > 20 J) 하에서 다체 국소화(Many‑Body Localization, MBL) 현상이 발생함을 확인한다. MBL은 시스템이 긴 시간 동안 초기 정보를 보존하도록 하며, 이는 양자 회로가 “무작위”라 하더라도 실제로는 일정한 메모리 효과를 내포한다는 의미다.

양자 증강 프로토콜은 두 가지로 제시된다. 첫 번째는 DQSA(Disordered Quantum System Augmentation)로, 이미지를 진폭 인코딩 후 무작위 해밀토니안을 적용해 시간 진화를 수행하고, 최종 상태의 절댓값을 이미지로 복원한다. 이를 R번 반복해 평균을 취하면 원본 이미지와 유사한 블러링 효과가 나타난다. 두 번째는 CDQSA(Cyclic DQSA)로, 초기 상태에 순환 퍼뮤테이션을 적용한 뒤 동일한 진화를 수행하고 역순환을 적용한다. CDQSA는 하드웨어 구현이 용이하다는 장점이 있다.

두 프로토콜 모두 구조적 유사성을 평가하기 위해 SSIM과 Bhattacharyya 계수를 사용했으며, 적당한 무질서 강도와 충분한 샘플 수(R ≈ 400)에서 SSIM이 급격히 상승함을 보였다. 반면 Bhattacharyya는 국소적인 이미지 품질 변화를 민감하게 포착하지 못한다.

PCA 분석을 통해 MNIST와 CIFAR‑10 이미지에 대해 첫 번째와 두 번째 진화 단계의 상태들을 2차원 공간에 투영했을 때, 무작위성에 의해 상태들이 산재하지만 평균화 과정에서 원본 이미지와 유사한 블러된 형태가 재현되는 것을 확인했다. 이는 “새로운 샘플을 생성한다”는 착각을 일으킬 수 있다.

QNN과 DQS의 연결 고리를 더 명확히 하기 위해, 저자들은 QNN의 전체 유니터리를 로그 변환해 효과 해밀토니안 H_eff를 정의하고, 그 스펙트럼 통계가 무작위 해밀토니안과 일치하는지를 검증할 수 있음을 제시한다. 이는 현재 NISQ 디바이스에서 근접 이웃 게이트만 사용되는 제한된 깊이의 QNN이 무질서 효과에 취약함을 의미한다.

결론적으로, 무작위 초기화된 QNN은 실제로는 학습된 생성 모델이 아니라 무질서에 기반한 평균화 메커니즘을 수행한다. 따라서 기존 연구에서 단순 데이터셋(예: MNIST)만을 사용해 양자 생성 모델의 성능을 평가하는 것은 과대평가의 위험이 크다. 저자는 무질서 기반 양자 증강이 이미지 블러링 등 실용적인 응용에는 유용할 수 있지만, 진정한 생성 능력을 평가하려면 더 복잡한 데이터와 무작위성 효과를 배제한 실험 설계가 필요함을 강조한다.