양자 임베딩을 활용한 다종 반응‑확산 시스템 물리‑인포메드 신경망

초록

본 논문은 반응‑확산(RD) 방정식의 다종 결합 동역학을 풀기 위해, 물리‑인포메드 신경망(PINN)에 양자 임베딩을 도입한 TE‑QPINN 프레임워크를 제안한다. 기존의 클래식 피드포워드 임베딩(FNN)과 완전 양자 임베딩(QNN)을 동일한 변분 회로와 손실 함수에 적용해 비교했으며, 1·2 차원 RD 모델 실험에서 양자 임베딩이 정확도 저하 없이 학습 안정성을 향상시킴을 확인하였다.

상세 분석

이 연구는 기존 하이브리드 양자‑클래식 PINN 구조에서 가장 핵심적인 ‘임베딩 단계’를 양자화함으로써, 양자 회로 자체가 좌표‑특징 변환을 수행하도록 설계했다. 구체적으로, 입력 좌표 (x, t)를 정규화한 뒤, 두 가지 경로로 회전 각을 생성한다. 첫 번째는 가벼운 피드포워드 신경망(FNN)으로, 파라미터 θ_F 를 통해 y‑축 회전 R_y(α_i) 를 정의한다. 두 번째는 파라미터화 양자 회로(PQC) θ_Q 로 구성된 QNN 임베딩으로, 동일한 입력을 양자 연산에 투입해 기대값을 각도로 변환한다. 이렇게 얻은 α_i 를 데이터‑인코딩 연산 U_enc에 적용하고, 이후 하드웨어‑효율적인 변분 회로 U_var(θ_var)를 겹쳐 전체 유니터리 U(x,t)=U_var·U_enc을 만든다.

출력은 각 종(species)별 관측량 O_A, O_S 의 기대값 ⟨0|U† O_i U|0⟩ 로 정의되며, 이는 연속적인 미분 가능성을 보장한다. 물리‑인포메드 손실 L은 PDE 잔차, 경계조건, 초기조건을 모두 포함하고, 자동 미분과 파라미터‑시프트 규칙을 결합해 양자·클래식 파라미터에 대한 그래디언트를 동시에 계산한다.

실험에서는 1‑D와 2‑D 두 종 RD 시스템(활성제 A와 기질 S)을 대상으로, 동일한 격자·시간 스키마와 Adam 옵티마이저를 사용해 FNN‑TE‑QPINN, QNN‑TE‑QPINN, 그리고 전통적인 클래식 PINN을 비교했다. 결과는 다음과 같다. (1) 양자 임베딩이 파라미터 수를 약 30 % 감소시키면서도 L2 오차에서 기존 FNN 임베딩과 동등하거나 약간 우수했다. (2) 학습 초기에 QNN‑TE‑QPINN이 손실 감소 속도가 더 빠르고, 진동 현상이 적어 최적화 안정성이 향상되었다. (3) 양자 회로 깊이가 46층 수준으로 얕아 NISQ 디바이스에 구현 가능함을 보였으며, 큐비트 수는 68개로 제한적이었다.

또한, 임베딩 설계가 그래디언트 스케일에 미치는 영향을 분석했는데, QNN 임베딩은 입력‑출력 매핑이 비선형적으로 압축되면서 그래디언트 폭이 줄어들어 ‘vanishing gradient’ 문제를 완화한다는 점을 발견했다. 반면, FNN 임베딩은 파라미터 초기화에 민감해 학습 초기에 큰 변동을 보였다. 이러한 차이는 양자 회로 자체가 고유의 회전 기반 매핑을 제공함으로써, 입력 차원을 자연스럽게 정규화하는 효과와 연관된다.

결론적으로, 논문은 양자 임베딩이 물리‑인포메드 학습에서 임베딩 단계의 병목을 해소하고, 리소스 효율성을 높이며, 최적화 동역학을 개선할 수 있음을 실증하였다. 이는 근거리 양자 컴퓨팅 환경에서 복잡한 다변량 PDE를 해결하기 위한 설계 원칙을 제공한다.