양자 머신러닝 데이터 인코딩 방법 벤치마킹

초록

이 논문은 양자 머신러닝에서 고전 데이터를 양자 상태로 변환하는 핵심 단계인 데이터 인코딩 방법을 비교 분석합니다. 단순 각도 인코딩, 진폭 인코딩, IQP 임베딩 등 다양한 방법을 악성코드, 유방암, MNIST 데이터셋에 적용하여 성능을 평가했습니다. 인코딩 선택이 모델 성능에 미치는 영향을 실증적으로 보여주며, 특정 데이터셋에 적합한 인코딩 전략에 대한 통찰을 제공합니다.

상세 분석

본 논문은 NISQ 시대의 제한된 자원 환경에서 양자 머신러닝 모델의 성능을 최적화하기 위한 핵심 요소인 데이터 인코딩 방법에 대한 체계적인 벤치마크 연구를 수행했습니다. 기술적 분석의 핵심은 다음과 같습니다.

첫째, 연구팀은 단일 양자 신경망 아키텍처(데이터 재업로딩 구조)를 고정하고, 인코딩 부분만을 교체하여 공정한 비교를 시도했습니다. 이는 다양한 인코딩 기법이 동일한 분류 모델과 학습 조건 하에서 어떤 성능 차이를 보이는지 분리하여 관찰할 수 있게 합니다.

둘째, 평가된 인코딩 방법들은 각각 고유한 수학적 특성과 자원 요구 사항을 가집니다. ‘단순 각도 인코딩’은 데이터를 각도로 직접 매핑하여 회전 게이트를 적용하는 직관적인 방식으로, N개의 특징에 N개의 큐비트를 필요로 합니다. ‘π/4-각도 인코딩’은 하다마드 게이트와 특수 유니터리를 결합하여 데이터 변환을 달성합니다. ‘얽힘 각도 인코딩’은 단순 각도 인코딩에 제어-낫 게이트를 추가하여 큐비트 간 얽힘을 도입함으로써 양자 특유의 상관관계를 활용하려 시도합니다. ‘진폭 인코딩’은 데이터를 양자 상태의 진폭 벡터에 압축적으로 저장하는 이론적으로 효율적인 방법으로, N개의 특징을 인코딩하기 위해 약 log2(N)개의 큐비트만 필요하지만, 제어 회전 게이트를 활용한 복잡한 회로 구성을 요구합니다. ‘IQP 임베딩’은 RZ 및 RZZ 게이트를 사용하여 특징 간의 2차 상호작용까지 인코딩할 수 있는 잠재력을 가지며, 모든 게이트가 순서에 무관하게 적용될 수 있다는 ‘순간적’ 특성을 가집니다.

셋째, 실험 결과는 인코딩 방법의 성능이 데이터셋의 특성에 크게 의존함을 명확히 보여줍니다. 예를 들어, 악성코드 데이터셋에서는 진폭 인코딩과 IQP 임베딩이 상대적으로 높은 성능(F1-score 90%)을 기록한 반면, MNIST-01과 같은 비교적 단순한 분류 문제에서는 다양한 인코딩 방법이 유사한 성능을 보이기도 했습니다. 이는 복잡한 고차원 데이터셋일수록 진폭 인코딩의 공간 효율성이나 IQP 임베딩의 고차원 특성 캡처 능력이 빛을 발할 수 있음을 시사합니다. 또한, 특징 수(N)와 레이어 수(M)를 변화시킨 실험을 통해 모델 복잡도와 성능 간의 트레이드오프를 조사했습니다.

종합적으로, 이 연구는 양자 머신러닝 파이프라인 설계에서 데이터 인코딩 방법의 선택이 단순한 구현 문제가 아니라 알고리즘 성능과 자원 소모량을 결정하는 전략적 결정임을 강조합니다. 특정 인코딩이 모든 문제에 최적이라는 보편법칙은 없으며, 데이터의 구조, 규모, 그리고 사용 가능한 양자 하드웨어의 제약을 종합적으로 고려한 선택이 필요함을 실증 데이터를 통해 입증했습니다.