양자 어닐링 동역학을 활용한 새로운 머신러닝 특징 생성기

초록

본 논문은 클래식 데이터를 이징 해밀토니안에 인코딩하고, 양자 어닐러의 짧은 동역학을 이용해 얻은 확률 분포를 특징 벡터로 활용하는 머신러닝 프레임워크를 제안한다. D‑Wave Advantage 7.1 하드웨어와 MNIST 시뮬레이션을 통해 짧은 어닐링 시간(또는 γ 스케일링)에서 높은 분류 정확도와 적은 샷 수가 가능함을 보였으며, 참여 비율(Participation Ratio)을 모델 용량 및 일반화와의 정량적 지표로 제시한다.

상세 분석

이 논문은 양자 어닐링(QA)을 전통적인 최적화 도구를 넘어, 동적 양자 특성을 이용한 특징 생성기로 재해석한다. 데이터 인코딩 단계에서는 PCA로 차원을 20으로 축소한 후, 각 성분을 최종 이징 해밀토니안 ˆH_AS의 결합 상수 J_lm에 매핑한다. 이렇게 구성된 해밀토니안은 D‑Wave Pegasus 토폴로지의 8‑qubit 서브그래프에 구현된다. 양자 상태는 초기 전이장 해밀토니안 ˆH₁ = Σσ_x 로 시작해, 시간‑의존적 스케줄 A(s), B(s)를 따라 ˆH(s)=−A(s)ˆH₁+B(s)ˆH₂ 로 진화한다. 짧은 어닐링 시간(T≈5 ns 이하)에서는 시스템이 완전한 바닥 상태에 도달하지 못하고, 비평형 양자 동역학을 유지한다. 이때 얻어지는 비정규화된 확률 분포 P(x)=|⟨bitstring|ϕ(T)⟩|²는 다중 샷 측정을 통해 추정되며, 표준화 후 특징 벡터 u(x)로 변환된다.

핵심 실험에서는 γ∈