양자 적응형 비국소 관측을 이용한 초고해상도 이미지 복원

초록

본 논문은 변분 양자 회로(VQC)에 학습 가능한 다중 큐비트 헐미티안 관측값(Adaptive Non‑Local Observable, ANO)을 도입하여 저해상도(LR) 이미지를 고해상도(HR) 이미지로 복원하는 초해상도(SR) 프레임워크를 제안한다. 고정된 파울리 측정 대신 비국소 관측을 최적화함으로써 Hilbert 공간의 고차원성을 효율적으로 활용하고, MNIST 데이터셋 실험에서 2‑local 대비 3‑local ANO‑VQC가 MSE, PSNR, SSIM 등에서 향상된 성능을 보였다.

상세 분석

본 연구는 기존 VQC가 파라미터화된 유니터리 연산만을 학습하고, 측정 연산은 고정된 파울리 연산에 의존한다는 한계를 정확히 지적한다. 이를 극복하기 위해 저자들은 ANO라는 개념을 도입해 측정 연산 자체를 학습 가능한 헐미티안 행렬 H(ϕ)로 확장한다. 수식 (5)에서 제시된 k‑local ANO는 n‑qubit 시스템 내에서 k개의 큐비트를 동시에 포함하는 복합 관측값을 정의하며, 이는 기존 파울리 기반 관측이 포착하지 못하는 다중 큐비트 상관관계를 드러낼 수 있다.

인코딩 단계에서는 입력 이미지 벡터 x를 회전 게이트와 Hadamard 게이트를 조합한 V(x)로 양자 상태에 매핑한다(식 3). 변분 단계는 다중 레이어 U(θ)로 구성되며, 각 레이어는 회전 파라미터 θ를 통해 상태를 탐색한다(식 4). 핵심은 측정 단계에서 H(ϕ)를 최적화함으로써 양자 상태의 특정 서브스페이스를 “렌즈”처럼 확대해 고해상도 픽셀 값을 직접 추출한다는 점이다.

학습 목표는 MSE와 인간 시각에 민감한 LPIPS를 가중합한 복합 손실 L(θ,ϕ)=c₁MSE+c₂LPIPS(식 6)이며, 이는 저해상도‑고해상도 매핑에서 픽셀 수준 정확도와 지각적 품질을 동시에 고려한다. 실험에서는 MNIST를 4×4 LR에서 12×12, 16×16, 20×20 HR로 복원하도록 설정했으며, 2‑local과 3‑local ANO‑VQC를 비교하였다. 결과는 3‑local 모델이 MSE(0.35 vs 0.42), PSNR(24.85 dB vs 24.13 dB), SSIM(0.87 vs 0.84)에서 전반적으로 우수했으나, LPIPS가 약간 상승(0.17 vs 0.16)하여 지각적 부드러움이 다소 감소함을 보여준다. 이는 비국소 관측이 고주파 성분을 더 정확히 포착하지만, 인간이 선호하는 자연스러운 텍스처와는 약간의 트레이드오프가 있음을 의미한다.

한계점으로는 실험이 MNIST와 같은 단순 데이터셋에 국한됐으며, 양자 회로 깊이와 큐비트 수가 제한적인 NISQ 환경을 가정했다는 점이다. 또한, 측정 연산을 학습 가능하게 만든 것이 실제 하드웨어에서 측정 오류와 디코히런스에 얼마나 강인한지는 추가 검증이 필요하다. 향후 연구에서는 더 큰 이미지 데이터셋(예: CIFAR‑10, DIV2K)과 다중 채널 컬러 이미지에 대한 확장, 하이브리드 양자‑고전 후처리 파이프라인, 그리고 양자 오류 보정 기법과 결합한 ANO‑VQC의 스케일링을 탐구할 여지가 크다.

전반적으로, ANO를 통한 측정 설계가 VQC의 표현력을 크게 확장하고, 적은 양의 양자 자원으로도 의미 있는 이미지 복원을 가능하게 한다는 점에서 양자 머신러닝과 컴퓨터 비전 분야의 교차점에 새로운 연구 방향을 제시한다.