랜덤 푸리에 특징으로 보는 양자 머신러닝 탈양자화

초록

본 논문은 랜덤 푸리에 특징(RFF) 기법을 이용해 양자 신경망(QNN)과 양자 커널(QK) 기반 감독 학습 모델을 고전적으로 탈양자화할 수 있는 충분조건을 제시한다. 회귀와 SVM 분류 두 작업에 대해 위험 차이 상한을 도출하고, 비정상적(비시프트 불변) 커널에 대한 RFF 근사 방법을 설계한다. 실험을 통해 실제 데이터셋에서 RFF가 기존 양자 커널 방법과 동등한 성능을 보임을 확인한다.

상세 분석

논문은 먼저 기존 연구에서 RFF가 시프트 불변 커널을 근사해 QNN 회귀를 탈양자화한 사실을 재조명하고, 이를 QK와 SVM 분류까지 일반화한다는 점에서 큰 의의를 가진다. 핵심 기술은 두 가지 단계로 나뉜다. 첫째, Hamiltonian 인코딩을 가정한 양자 커널을 푸리에 전개식 k_Q(x₁,x₂)=∑{ω,ν∈Ω}F{ων}e^{i(ω·x₁−ν·x₂)} 로 표현하고, 여기서 F는 양의 준정부호이며 대각 원소가 확률 질량 함수 q를 형성한다는 Lemma III.1을 제시한다. 이를 기반으로 비시프트 불변 커널이라도 F의 고유값·고유벡터를 샘플링해 RFF를 구성하는 알고리즘을 설계한다(Alg. 3). 샘플 복잡도 D=O(|Ω|² d ε⁻² log(1/ε²))를 보이며, 차원 d가 커질수록 Ω가 지수적으로 커지는 현실적 한계를 명시한다.

둘째, 탈양자화 정의(Def. II.3)에 따라 RFF가 다항 시간 안에 양자 모델의 진위 위험(Risk)과 ε 이하 차이를 보이기 위한 충분조건을 제시한다. 회귀의 경우, 샘플링 효율성(분포 p를 효율적으로 샘플링 가능), 집중성(p_max⁻¹가 다항적으로 성장), 정렬성(p_ω ∝ |c_ω|) 세 가지 조건을 제시한다. QNN에 대한 기존 결과를 재구성하고, QK 회귀에 대해서는 비대각 F를 고려한 새로운 정렬 조건과 F의 스펙트럼이 충분히 집중된 경우를 증명한다(Prop. III.3). SVM 분류에서는 커널 매트릭스의 마진을 보존하는 확률적 근사와 정규화 파라미터 λ의 스케일링을 분석해, QKSVM 및 QNN‑SVM 모두에 대해 동일한 RFF 탈양자화 조건을 도출한다.

실험에서는 입자 충돌 데이터셋에 QKSVM과 제안된 RFF‑SVM을 적용해, 동일한 테스트 정확도와 유사한 일반화 오차를 관측한다. 이는 이론적 상한이 실제에서도 실현 가능함을 보여준다. 전체적으로 논문은 RFF가 양자 커널의 비시프트 불변 특성을 포괄적으로 다룰 수 있음을 증명하고, 위험 차이 상한을 통해 언제 고전 알고리즘이 양자 모델을 대체할 수 있는지를 명확히 제시한다는 점에서 탈양자화 연구에 중요한 진전을 제공한다.