런랭스 인증을 이용한 양자 학습의 표본 복잡도와 잡음 한계

초록

본 논문은 단일 샷 측정 학습(SSML)을 정지시간(stopping‑time) 관점에서 재해석한다. 연속 성공 횟수 (M_H) 를 인증 기준으로 삼아, 탐색 비용과 인증 비용을 구분하고, 차원 (d) 와 한 비트 피드백의 신뢰도에 따른 표본 복잡도 상한을 도출한다. 라벨 플립 잡음 확률 (q) 에 대해 (qM_H\gtrsim1) 이면 기대 정지 시간이 지수적으로 증가한다는 명확한 임계점을 제시한다. 결과는 제한된 피드백 환경에서 인증이 표본 복잡도를 지배하고, 작은 클래식 잡음이 정보 병목이 됨을 보여준다.

상세 분석

이 논문은 양자 상태 학습을 고정 예산이 아닌 “정지 시간”이라는 확률적 자원으로 바라보는 새로운 프레임워크를 제시한다. 핵심 아이디어는 SSML 알고리즘이 매 샷마다 단일 비트(성공/실패)만을 기록하고, 연속 성공 횟수 (M_H) 가 일정 수준에 도달하면 학습을 종료한다는 점이다. 이때 정지 사건 자체가 성공 확률 (F(p)=|\langle f|U(p)|\psi_\tau\rangle|^2) 에 대한 순차적 인증서 역할을 한다.

논문은 먼저 SSML을 확률 과정 ({p(n),M_S(n)}) 로 모델링하고, 필터링된 정보 (\mathcal{F}_n)에 대한 적응성을 증명한다. 정지 시간 (T=\inf{n:M_S(n)=M_H}) 은 자연스럽게 정의된 정지 변수이며, 기대값 (E