위상 기반 양자 GAN으로 제약 그래프 생성 최적화

초록

본 논문은 K₄ 완전 그래프의 거리 가중치를 생성할 때 삼각 부등식과 Ptolemaic 부등식이라는 기하학적 제약을 만족하도록 설계된 양자 생성적 적대 신경망(QuGAN)을 제안한다. 회로의 얽힘 토폴로지를 문제 구조에 맞게 설계하고, 분산 정규화와 출력 스케일링을 추가함으로써 통계적 정확도와 기하학적 타당도 사이의 트레이드오프를 조절한다. 특히 ‘Triangle’ 토폴로지를 사용한 QuGAN이 기하학적 유효성에서 최고 성능을 보이며, 기존 클래식 GAN과 동등한 수준의 분포 재현력을 달성한다.

상세 분석

이 연구는 양자 회로 설계 단계에서 도메인‑특화 인덕티브 바이어스를 도입함으로써, 기존의 범용형 파라메트릭 양자 회로가 갖는 표현력 한계를 극복하고자 한다. 구체적으로 K₄ 그래프의 6개 엣지를 6‑큐비트에 1:1 매핑하고, 라틴 가우시안 잡음 z를 각 큐비트에 RX, RY, RZ 회전으로 인코딩한다. 이후 네 가지 주요 얽힘 토폴로지를 비교한다. ‘Ring’은 인접 큐비트만 연결해 지역적 전이성을 모방하고, ‘All‑to‑All’은 완전 연결을 통해 최대 표현력을 제공한다. ‘Triangle’ 토폴로지는 K₄ 내부의 4개의 삼각형 서브그래프를 그대로 회로 구조에 반영하여, 삼각 부등식이라는 기하학적 제약을 자연스럽게 내재한다. ‘Opposite’는 데이터‑드리븐 방식으로 반대 엣지 쌍을 얽힘시켜 전역 상관관계를 포착하고, ‘Combined’는 ‘Triangle’과 ‘Opposite’를 합쳐 두 가지 바이어스를 동시에 활용한다.

또한 ‘Triangle’ 토폴로지 내부에서 얽힘 순서(비순환 vs 순환)와 게이트 종류(CNOT vs 가변 CRot)를 교차 실험함으로써, 얽힘 흐름과 상호작용 강도가 기하학적 타당도에 미치는 영향을 정량화한다. 실험 결과, 순환형 CRot 변형이 가장 높은 Triangle Validity Score(TVS)를 기록했으며, 이는 얽힘 흐름이 그래프 구조와 일치할 때 양자 회로가 제약을 더 잘 학습한다는 것을 시사한다.

학습 손실에 분산 정규화 항 L_variance를 추가하고, 출력 스케일링 레이어(선형 시프트 → 채널별 가중치 α → 단순화) 를 도입함으로써, 생성된 엣지 가중치의 분산이 실제 데이터와 일치하도록 유도한다. 이 두 가지 보조 메커니즘은 특히 ‘Triangle’ 토폴로지에서 통계적 Fidelity(예: Wasserstein 거리)와 기하학적 유효성 사이의 균형을 맞추는 데 효과적이었다.

전체적으로, 문제‑특화 회로 토폴로지가 양자 GAN의 학습 효율성을 크게 향상시키며, 제한된 NISQ 디바이스에서도 복잡한 구조적 제약을 만족하는 데이터 생성이 가능함을 입증한다. 다만, 현재 실험은 6‑큐비트 수준에 국한되어 있어, 더 큰 그래프나 고차원 제약으로 확장할 경우 회로 깊이와 노이즈 관리가 추가적인 도전 과제로 남는다.