qcware.com

이 이메일 도메인이 관측된 논문 1건

arXiv:2608.31117v2quant-ph

"고전적 학습, 양자 배포" 패러다임은 일반화에 대한 재고를 요구한다

"Train classical, deploy quantum" requires rethinking generalization

생성 모델은 이미지 및 텍스트 합성을 넘어 분자 및 재료 설계에 이르기까지 과학과 산업 전반에서 핵심적인 역할을 하게 되었습니다. 양자 회로는 자신이 인코딩하는 분포로부터 자연스럽게 표본을 생성하며, 적절한 회로의 경우 해당 분포를 고전 컴퓨터로 재현하기 어렵다고 여겨지므로, 양자 생성 모델은 양자 컴퓨터의 가장 유망한 응용 분야 중 하나로 간주됩니다. 이를 위한 대표적인 전략은 고전 컴퓨터에서 이러한 모델을 학습(training)시키고, 배포 시 표본 생성을 위해 양자 장치를 남겨두는 방식입니다. 이는 학습 손실(loss)을 고전 컴퓨터에서 평가할 수 있을 때 가능합니다. 대표적인 예로는 모델과 데이터를 파울리-$Z$(Pauli-$Z$) 상관관계를 통해 비교하는 모멘트 매칭(moment-matching) 손실인 최대 평균 불일치(MMD$^2$, Maximum Mean Discrepancy)가 있습니다. 지금까지의 연구는 이러한 모델이 학습될 수 있는지, 그리고 표본 생성이 어려운지에 집중해 왔습니다. 그러나 이러한 목적 함수를 최소화하는 것이 단순히 학습 통계를 재현하는 것을 넘어 \emph{일반화(generalizes)}하는 모델을 만들어내는지 여부는 여전히 잘 이해되지 않고 있습니다. 본 연구에서는 실제 응용 분야에서 영감을 얻은 두 가지 데이터셋(dataset)에서 직접 표본을 추출하여 13가지의 양자 및 고전 생성 모델(model)을 벤치마크합니다. 첫 번째는 최대 30큐비트에 달하는 기수 제약(cardinality-constrained) 데이터셋이며, 두 번째는 유효 집합이 관측된 데이터인 유전체 단일 염기 다형성(single-nucleotide variants) 데이터셋입니다. 손실을 동일한 값으로 수렴시킨 모델들이라 할지라도, 관측되지 않은 유효 집합을 얼마나 포함하는지에는 큰 차이를 보였습니다. 이러한 결과는 수렴된 모멘트 매칭 손실이 신뢰할 수 있는 일반화 척도가 아니며, '고전적 학습, 양자 배포' 워크플로에서는 학습된 모델의 표본을 추출하여 일반화를 측정해야 함을 시사합니다. 관심 대상 규모에서 이 표본 추출 단계는 양자 장치를 필요로 한다고 여겨집니다.