양자 스크램블링 보른 머신

초록

본 논문은 고정된 다중큐비트 얽힘 유닛을 스크램블러로 사용하고, 단일 큐비트 회전만을 최적화하는 양자 생성 모델인 Quantum Scrambling Born Machine(QSBM)을 제안한다. Haar 무작위 유닛, 깊이‑제한 브릭워크 랜덤 회로, 그리고 근접 이웃 스핀 체인 해밀토니안의 아날로그 시간 진화를 스크램블러 후보로 삼아 실험하였다. 스크램블러가 Haar‑typical 얽힘을 충분히 제공하면, 모델은 목표 분포를 높은 정확도로 학습하며 스크램블러의 구체적 구현에 크게 민감하지 않음을 보였다. 또한 해밀토니안 파라미터를 학습 가능한 변수로 전환해 변분 해밀토니안 문제로 재구성했을 때, 파라미터 수가 동일한 고전 생성 모델(GAN, VAE, RBM)과 경쟁력 있는 성능을 기록한다.

상세 분석

QSBM의 핵심 아이디어는 얽힘 생성과 파라미터 최적화를 명확히 분리한다는 점이다. 기존 QCBM은 모든 게이트가 가변 파라미터를 가지므로 회전 깊이가 깊어질수록 기울기 소실(바넬 플래토) 문제가 심화된다. 반면 QSBM은 매 레이어마다 동일한 고정 스크램블링 유닛 U_S를 삽입하고, 그 전후에 각각 X‑Z‑Y 순서의 단일 큐비트 회전 R_x, R_z, R_y만을 학습한다. 이렇게 하면 전체 파라미터 수는 3 × L × N (L: 레이어 수, N: 전체 큐비트 수)으로 선형적으로 증가하고, 다중 큐비트 게이트 재보정 비용을 회피할 수 있다.

스크램블러 후보는 세 가지로 구분된다. 첫 번째는 이론적 최적인 Haar 무작위 유닛이다. Haar‑typical 상태는 모든 bipartition에 대해 거의 최대 엔트로피를 가지며, Page 공식 ⟨S_A⟩≈ln d_A 로 표현된다. 두 번째는 디지털 플랫폼에서 구현 가능한 깊이‑제한 브릭워크 랜덤 회로(RQC)이다. 깊이 K가 O(N) 정도가 되면 2‑design에 수렴해 Haar‑like 2‑순위 모멘트를 재현한다. 세 번째는 아날로그 양자 시뮬레이터에서 자연스럽게 발생하는 근접 이웃 스핀 체인 해밀토니안(H_TFIM, H_XX)의 시간 진화 U(τ)=e^{-iτH}이다. 충분히 긴 τ가 주어지면 엔트로피가 Page 값에 접근한다.

실험에서는 N=8(최대 10) 큐비트 시스템에 대해 5‑peak 다중모달 1‑D 목표 분포와 2‑D Gaussian 혼합 분포를 사용했다. 손실 함수는 음의 로그우도(NLL)이며, 이는 KL 발산 D_KL(p‖q_θ)와 상수 차이만큼 동일하다. 최적화는 Adam(η=0.01)과 그래디언트 노름 클리핑(1.0)으로 수행했으며, 각 실험은 20번 독립 실행 후 평균·표준편차를 보고한다.

결과는 다음과 같다. Haar 스크램블러를 사용할 경우, 레이어 수 L≥6이면 순수 상태(N_A=0)에서도 KLD가 10^{-2} 수준으로 수렴한다. 얕은 회로(L≤5)에서는 ancilla 큐비트(N_A=1,2)를 트레이스 아웃함으로써 혼합 상태의 랭크를 늘려 표현력을 보강할 수 있다. 브릭워크 RQC의 경우, 깊이 K=1(인접 얽힘만)에서는 성능이 정체되지만 K≥3(≈N/2)부터 Haar 수준에 도달한다. 이는 2‑design 수렴과 일치한다. 아날로그 스크램블러에서는 진화 시간 τ가 약 0.5 J^{-1} 이상일 때 반체인 엔트로피가 Page 값에 근접하고, KLD가 급격히 감소한다. 특히 L≥5이면 τ가 충분히 크면 Haar와 동일한 성능을 보이며, ancilla를 추가하면 얕은 레이어에서도 성능 향상이 관찰된다.

마지막으로 해밀토니안 파라미터를 학습 가능한 변수로 두어 변분 해밀토니안 문제로 전환한 경우, 동일 파라미터 수(≈200)에서 GAN, VAE, RBM 대비 비슷하거나 약간 우수한 KLD를 기록했다. 이는 얽힘을 제공하는 물리적 해밀토니안 자체가 강력한 표현 수단임을 시사한다. 또한 QSBM은 하드웨어‑친화적 구조(고정 다중큐비트 게이트 + 빠른 단일 큐비트 제어)로, 현재 NISQ 디바이스에서 실현 가능성이 높다.

요약하면, 스크램블링을 고정된 “리저버”로 활용하고 회전 파라미터만 학습함으로써, 표현력과 학습 가능성 사이의 트레이드오프를 효과적으로 해결한다는 점이 본 연구의 핵심 기여이다.