양자 인포메드 학습으로 삼각 네트워크 비국소성 한계 돌파

초록

본 논문은 삼각형 네트워크에서 발생하는 진정한 비국소성(네트워크 비국소성)을, 혼합 상태와 잡음이 포함된 현실적인 상황에서도 정량적으로 규명하기 위해, 인과관계가 반영된 베이지안 학습 프레임워크인 Layered LHV‑Net을 제안한다. 새로운 측정 설정을 발견하고, 가시성 0.94 이상의 Bell 상태에서만 비국소성이 나타남을 입증했으며, 서로 다른 엔탱글먼트를 가진 소스들의 경우 모두 충분히 얽혀 있어야 함을 확인한다. 또한 소스 간에 최대 3단위의 공유 랜덤니스가 존재해도 비국소성이 유지되지만, 4단위가 되면 로컬 모델이 가능해진다.

상세 분석

본 연구는 기존의 삼각형 네트워크 비국소성 연구가 순수한 최대 얽힌 Bell 상태와 대칭적인 측정에만 국한되었던 한계를 극복하고자 한다. 저자들은 비국소성 집합이 비볼록(non‑convex)이라는 근본적인 어려움을 인식하고, 이를 해결하기 위해 인과관계가 명시된 Directed Acyclic Graph(DAG)를 기반으로 한 베이지안 네트워크를 설계하였다. 각 소스는 연속형 균등 분포에서 샘플링된 로컬 변수 λ₁, λ₂, λ₃를 제공하고, 각 관측자는 λ의 쌍에 조건부 의존하는 다층 신경망(Feed‑forward NN)으로 응답 함수를 근사한다. 단일 층 응답 함수만을 사용한 기존 LHV‑Net은 혼합 상태와 잡음이 섞인 경우 자유도가 부족해 로컬 모델을 찾지 못하는 문제가 있었으며, 이는 모델이 비국소성을 정확히 판별하지 못하게 만든다.

이를 해결하기 위해 저자들은 “Layered LHV‑Net”이라는 다층 구조를 도입하였다. 다층 응답 함수는 각 관측자의 출력이 λ₁, λ₂, λ₃에 대한 복합 비선형 변환을 여러 단계에 걸쳐 학습하도록 허용함으로써, 혼합 상태의 복잡한 확률 분포를 충분히 표현한다. 또한 베이지안 학습을 통해 사전 분포와 사후 분포를 순차적으로 업데이트함으로써, 파라미터 공간을 효율적으로 탐색하고 과적합을 방지한다.

실험적으로 저자들은 다음과 같은 세 가지 주요 결과를 얻었다. 첫째, 새로운 측정 설정(비대칭적인 M₀M₃ 조합)을 통해 기존 RGB4 패밀리보다 더 높은 잡음 강인성을 보였다. 구체적으로, Werner 잡음 모델에서 가시성 v가 0.94를 초과할 때만 비국소성 지표가 양수가 되었으며, 이는 이전 연구에서 보고된 0.7850.85 구간보다 현저히 높은 기준이다. 둘째, 서로 다른 엔탱글먼트를 가진 세 소스가 모두 일정 수준 이상의 얽힘(예: 순수 상태에 근접한 혼합 상태)일 때만 비국소성이 유지된다는 것을 확인하였다. 이는 “모든 소스가 충분히 얽혀 있어야”라는 새로운 조건을 제시한다. 셋째, 소스 간에 공유되는 고전적 랜덤니스(공유 변수)의 양을 조절한 실험에서, 3단위 이하의 공유 랜덤니스가 존재해도 비국소성은 사라지지 않았지만, 4단위가 되면 로컬 LHV 모델이 정확히 재현될 수 있음을 보였다. 이는 네트워크 비국소성의 “공유 랜덤니스에 대한 내성”을 정량화한 최초의 결과라 할 수 있다.

이와 더불어 저자들은 학습된 LHV‑Net의 사후 확률 분포를 이용해, 비국소성 경계면을 시각화하고, 기존 SDP 기반 방법이나 self‑testing 기법이 놓쳤던 미세한 영역을 탐지하였다. 다층 구조와 베이지안 업데이트가 결합된 프레임워크는 파라미터 차원이 급증하는 복잡한 네트워크(예: 사각형, 별형 등)에도 확장 가능함을 논의하며, 향후 실험 구현에 필요한 최소 잡음 수준과 공유 랜덤니스 한계를 제시한다.

전반적으로 이 논문은 양자 정보 과학에서 머신러닝을 “예측 도구”를 넘어 “기초 이론 도구”로 전환시키는 중요한 사례를 제공한다. 인과관계 기반 베이지안 학습과 다층 신경망의 결합은 비볼록 최적화 문제를 실용적으로 해결하고, 실제 실험 조건에 맞는 비국소성 검증을 가능하게 한다.