양자 커리큘럼 학습

초록

본 논문은 양자 데이터에 커리큘럼 학습을 적용한 프레임워크 Q‑CurL을 제안한다. 작업 기반과 데이터 기반 두 가지 접근법을 통해 보조 작업이나 데이터의 난이도를 단계적으로 낮추어 메인 양자 학습 과제를 학습한다. 밀도 비율을 이용한 작업 선택과 동적 데이터 가중치 스케줄링을 도입해 학습 수렴 속도와 일반화 성능을 크게 향상시키며, 특히 NISQ 디바이스의 잡음 및 데이터 부족 상황에서도 강인함을 보인다. 유니터리 학습과 양자 위상 인식 실험을 통해 Q‑CurL의 효율성을 입증한다.

상세 분석

본 연구는 양자 머신러닝(QML)에서 자원 제한과 학습 복잡도 문제를 해결하기 위해 ‘커리큘럼 학습’ 개념을 양자 데이터에 적용한 새로운 프레임워크 Q‑CurL을 설계하였다. Q‑CurL은 크게 두 축으로 나뉜다. 첫 번째는 작업 기반(task‑based) 커리큘럼으로, 메인 양자 작업 T_M에 앞서 난이도가 낮거나 데이터가 풍부한 보조 작업 T_m을 순차적으로 학습한다. 여기서 핵심은 각 보조 작업이 메인 작업에 미치는 기여도를 정량화하는 밀도 비율 r(x,y)=p_M(x,y)/p_m(x,y) 를 추정하는 것이다. 저자는 선형 모델 ˆr_α(x,y)=αᵀϕ(x,y) 를 이용해 양자 입력·출력 상태의 커널(예: 전역 피델리티 커널, 양자 투영 커널, 섀도우 토모그래피 커널)으로 구성된 특징 ϕ를 학습한다. 이 과정은 기존의 중요도 가중치 추정과 유사하지만, 양자 상태를 직접 다루는 점에서 차별화된다. 최적화는 정규화된 2차 형식 min_α ½αᵀHα−hᵀα+λ‖α‖² 로 전개되며, H와 h는 보조·메인 작업의 샘플에서 계산된 커널 내적으로 구성된다. 이렇게 얻어진 밀도 비율은 보조 작업의 파라미터 θ(m) 를 메인 작업의 초기값 θ⁰(M) 로 전달하는 파라미터 전이에 활용된다.

두 번째는 데이터 기반(data‑based) 커리큘럼이다. 여기서는 학습 진행 중에 데이터 가중치 w_i 를 동적으로 조정하여, 손실 함수 L(θ)=∑_i w_i ℓ(h_θ(x_i),y_i) 에서 양자 데이터가 더 큰 비중을 차지하도록 설계한다. 가중치 업데이트는 현재 파라미터와 밀도 비율 추정값을 이용해 정보 이득을 최대화하는 방향으로 수행되며, 이는 기존의 손실 기반 샘플 가중치 기법과 유사하지만 양자 데이터의 특성을 반영한다. 이 방식은 별도의 추가 양자 회로나 리소스를 요구하지 않으며, 모든 종류의 비용 함수에 적용 가능하다는 장점이 있다.

실험 부분에서는 두 가지 대표적인 양자 학습 과제에 Q‑CurL을 적용하였다. 첫 번째는 유니터리 학습으로, 입력·출력 양자 상태 쌍을 이용해 목표 유니터리 U를 추정한다. 작업 기반 커리큘럼을 통해 간단한 회전 연산을 먼저 학습시킨 뒤, 복잡한 유니터리로 전이함으로써 학습 에폭 수와 최종 오류가 크게 감소하였다. 두 번째는 양자 위상 인식 과제로, 잡음이 섞인 라벨을 가진 데이터셋에서 위상 구분 정확도를 평가하였다. 여기서는 데이터 기반 커리큘럼이 잡음 라벨에 대한 과적합을 방지하고, 중요한 양자 샘플에 가중치를 집중시켜 일반화 성능을 향상시켰다. 특히 NISQ 수준의 시뮬레이션에서 잡음 강도와 데이터 양이 제한된 상황에서도 기존 방법 대비 10~15% 이상의 정확도 향상을 보였다.

이 논문은 양자 데이터의 계층적 구조를 활용한 커리큘럼 설계가 QML의 자원 효율성을 크게 개선할 수 있음을 실증한다. 밀도 비율 기반 작업 선택은 보조 작업을 사전에 풀어볼 필요 없이 효율적인 전이를 가능하게 하며, 동적 데이터 가중치 스케줄링은 잡음에 강인한 학습을 지원한다. 또한, 제안된 프레임워크는 양자 회로 설계, 양자 화학 시뮬레이션, 양자 물리 실험 데이터 분석 등 물리 기반 학습 전반에 적용 가능하다는 점에서 실용적 가치를 갖는다. 향후 연구에서는 커리큘럼 설계에 메타러닝을 결합하거나, 다중 보조 작업을 동시에 활용하는 멀티‑태스크 Q‑CurL을 탐색함으로써 더욱 복잡한 양자 시스템에 대한 학습 효율을 극대화할 여지가 있다.