PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.08928v1quant-ph

효율적인 고전 시뮬레이션 가능성을 갖춘 새로운 병렬 QCNN 아키텍처

A Novel Parallel QCNN Architecture with Efficient Classical Simulability

본 연구는 MNIST(Modified National Institute of Standards and Technology) 데이터셋의 이미지 이진 분류를 위한 새로운 양자 합성곱 신경망(QCNN, Quantum Convolutional Neural Network) 구현에 대한 연구를 제시한다. 기존 QCNN 및 고전적 합성곱 신경망(CNN) 구현에서 영감을 받은 새로운 아키텍처를 사용하여, 대규모 문제에 대해 고전 컴퓨터에서 효율적으로 근사 및 시뮬레이션할 수 있는 QCNN 회로를 구현하기 위해 계층적 분할 방식을 채택하였다. 먼저 원본 이미지를 분할하여 각 프로세스가 이미지의 더 작은 부분을 처리하도록 하고, 이를 독립적인 상태로 인코딩한다. 이후 이러한 분할 영역들이 병합되고 결합되어, 두 분할 영역의 정보를 포함하는 상태를 생성하면서 프로세스 수를 절반으로 줄인다. 하나의 프로세스만 남을 때까지 이 과정을 반복한 후, 측정을 위해 단일 큐비트가 남을 때까지 상태의 차원을 축소한다. 이 방식을 통해 큐비트 수가 증가해도 하드웨어 요구사항이 지수적으로 증가할 필요 없이, 여러 프로세스를 병렬로 활용하여 대규모 QCNN 프로그램을 시뮬레이션할 수 있다. 본 연구에서는 이 방식을 사용하여 128큐비트 모델을 학습하였는데, 이는 새로운 아키텍처 없이는 어떠한 고전 슈퍼컴퓨터에서도 실행이 불가능한 규모이다. 또한 소수의 큐비트로 MNIST 데이터셋에 대한 이진 분류를 수행하도록 학습시키고 분할을 사용하지 않는 모델과 비교함으로써, 새로운 모델 아키텍처가 예측 정확도에 미치는 영향을 탐구하였다. 초기 결과에 따르면, 이 아키텍처를 통해 이미지를 더 작은 부분 이미지로 분할하더라도 모델의 성능이 저하되지 않으며, 분할 과정에서 Barren Plateau 문제를 완화하기 때문으로 보이는 성능 향상이 나타나는 경우도 있었다.

arXiv:2607.05724v1cs.LG

이변량 바이사이클 코드를 활용한 낮은 오버헤드의 오류 정정 QCNN

Low-Overhead Error-Corrected QCNNs Using Bivariate Bicycle Codes

양자 합성곱 신경망(QCNN)이 실제 NISQ 하드웨어의 높은 노이즈로 인해 수렴에 실패하는 문제를 해결하기 위해, bivariate bicycle(BB) 코드 기반의 거리-4 양자 오류 정정(QEC) 기법을 제안한다. 제안된 기법은 낮은 큐비트 오버헤드로 QCNN의 학습 손실을 줄이고 수렴을 개선함으로써 실용적인 QCNN 구현을 향한 진전을 검증한다.