관측가능 가변성을 활용한 변분 양자 생성 모델

초록

본 논문은 기존 기대값 샘플러(EVS)의 한계를 극복하기 위해 관측가능을 가변 파라미터로 조정하는 OT‑EVS를 제안한다. 관측가능을 제한해 클래식 섀도우 기법을 적용함으로써 샘플 복잡도를 크게 낮추고, 양자 파라미터 업데이트보다 관측가능 업데이트를 더 빈번히 수행하는 새로운 적대적 학습 방식을 설계하였다. 시뮬레이션 결과, OT‑EVS가 표현력과 측정 효율성 모두에서 기존 모델을 능가함을 확인하였다.

상세 분석

EVS(Expectation Value Sampler)는 파라미터화된 양자 회로 Uθ에 잠재 변수 z를 입력해 생성된 양자 상태 |ψθ(z)⟩ 에서 미리 정해진 관측가능 Om 의 기대값을 측정함으로써 연속형 데이터 y∈ℝM을 생성한다. 기존 연구에서는 관측가능을 고정하고, 양자 회로의 깊이와 파라미터 수에 의존해 표현력을 확보했지만, 실용적인 양자 자원(샷 수, 회로 깊이) 요구가 크게 늘어나는 문제가 있었다. 논문은 이 문제를 두 축으로 해결한다. 첫째, 관측가능 자체를 가중치 α 를 통해 선형 결합 가능한 튜너블 파라미터로 만들고, 이를 OT‑EVS(Observable‑Tunable EVS)라 명명한다. 정의에 따르면, OT‑EVS는 (Pz, Uθ, {Ol}L, α) 의 4‑튜플로 구성되며, 실제 생성 관측가능 Am 은 α 와 Ol 의 선형 조합 Am=∑l αml Ol 으로 정의된다. 이렇게 하면 양자 회로는 동일하게 유지하면서 관측가능 공간을 확장해 표현력이 늘어난다. 논문은 상대 표현력(Relative Expressivity)의 개념을 도입해, 고정 관측가능 OF‑EVS보다 언제나 동등하거나 더 풍부한 함수 집합을 구현한다는 명제 1을 증명하고, 보편적인 OF‑EVS와 동일한 경우는 표현력이 더 이상 증가하지 않는 명제 2를 제시한다. 구체적인 예시(두‑큐빗 회로와 Haar‑랜덤 회로)에서 OT‑EVS가 엄격히 더 표현력이 있음을 보여준다.

둘째, 관측가능을 k‑local Pauli 문자열( k∈O(polylog n) )으로 제한하고, 클래식 섀도우(classical shadows) 측정 방식을 적용한다. 섀도우는 다수의 k‑local 관측가능을 동시에 추정할 수 있어, 전체 L 개의 관측가능을 O(poly(n)/ε²) 샷으로 정확히 추정한다. 정리 1은 섀도우 기반 측정이 전통적인 직접 측정에 비해 초다항적인 샷 절감 효과를 제공함을 수식적으로 입증한다.

학습 측면에서는 Wasserstein‑1 거리 최소화를 목표로 하는 WGAN 프레임워크를 차용한다. 생성기 Gθ,α 와 비평가 Dw 를 교대로 업데이트하는데, 양자 파라미터 θ 업데이트는 파라미터‑시프트 규칙에 따라 2 Nd Ns 회 회로 실행이 필요해 비용이 크다. 이에 저자는 세 가지 변형 학습 스키마를 제안한다. (1) Joint: θ 와 α 를 동시에 업데이트, (2) Asynchronous: α 를 Nα>1 번 반복 후 θ 를 한 번 업데이트, (3) Decoupled: α 와 Dw 를 Nα 번 루프마다 θ 를 한 번 업데이트한다. 이 설계는 양자 연산을 최소화하고, 관측가능 가중치 α 를 빈번히 조정함으로써 학습 효율을 높인다.

실험에서는 8‑큐빗 2‑local 관측가능을 사용해 8‑차원 데이터를 생성하고, 위 세 학습 방식과 두 측정 방식(섀도우 vs 전통) 및 9가지 샷 예산을 조합해 20번씩 반복했다. 성능 평가는 KL 발산으로 측정했으며, 결과는 (i) 섀도우 방식이 동일 정확도에 최소 4배 적은 샷으로 수렴, (ii) Asynchronous·Decoupled 방식이 Joint보다 전반적으로 낮은 KL을 기록, (iii) 중간 정도의 샷 예산에서 최적 성능이 나타나는 비단조적 현상이 관측되었다. 저자는 이를 “적당한 샷 노이즈가 정규화 효과를 제공한다”는 가설 3으로 설명한다.

전체적으로 논문은 관측가능 가변성을 통해 양자 생성 모델의 표현력을 이론적으로 보강하고, 클래식 섀도우와 비동기식 파라미터 업데이트를 결합해 실용적인 샷 복잡도를 크게 낮추는 설계를 제시한다. 이는 제한된 양자 하드웨어 환경에서 연속형 데이터 생성에 필요한 양자‑클래식 하이브리드 프레임워크의 실현 가능성을 크게 확대한다.