입력 스케일링 모듈을 제거하면 분류기(classifier)와 인코더에 도달하는 섭동(perturbation)이 모두 변경됩니다. 따라서 견고성(robustness)의 차이는 모듈 자체뿐만 아니라 비교 규칙을 반영할 수도 있습니다. 본 연구에서는 생성된 전력망 궤적 데이터에 대한 4큐비트 양자 어텐션 검출기에서 이러한 문제를 입증합니다. 학습된 스케일링 모듈은 고정된 물리적 공격 예산 하에서는 유익한 것처럼 보이지만, 인코더에서의 섭동 상한을 일치시키면 그 순위가 역전됩니다. 두 비교 중 어느 하나만으로는 모듈로 인한 견고성 이점을 입증할 수 없습니다. 또한 초기 테스트는 깨끗한 예시(clean example)의 원래 레이블을 유지한 채 공격된 예시로 섭동을 가하지만, 이미 공격을 받은 예시로만 제한된 테스트에서는 이점이 입증되지 않습니다. 학습된 모델의 입력 스케일을 교체하면 검출 기능이 저하됩니다. 선형 분류 층을 재학습하면 검출률은 회복되지만 개별 예측이 변경되어, 해당 비교는 인과적이기보다는 기술적(descriptive)인 수준에 머무르게 됩니다. 두 가지 추가적인 설계 검증을 통해 입력 양자 피셔 정보 정규화기(quantum Fisher information regularizer)가 이 모델의 쿼리 파라미터를 학습시킬 수 없는 이유와, 신뢰 경계(confidence bound)를 제거하더라도 더 큰 인증된 반경(certified radius)을 입증하지 못하는 이유를 설명합니다. 본 연구의 실증적 근거는 10개의 시드, 정확한 시뮬레이션, 합성 데이터, 그리고 제한된 공격 세트에 국한되며, 고전적인 베이스라인이 더 우수한 정상 예측 성능을 달성합니다. 실질적인 교훈은 어떤 섭동 예산이 고정되어 있는지 명시하고, 공격이 레이블을 보존하는지와 개입이 예측을 보존하는지 확인하며, 탐색적 통제와 확증적 근거를 구분해야 한다는 점입니다.
표준 점곱 셀프 어텐션(dot-product self-attention)은 단일 층에서 토큰 간의 쌍별(order-2) 상호작용만 계산합니다. 일반적인 $k$차 상호작용을 표현하는 것은 단일 층에서 초차원(super-quadratic) 자원이 필요하거나 깊이에 걸친 합성이 필요한 것으로 알려져 있습니다. 우리는 데이터 재업로딩(data re-uploading)과 전체 대 전체(all-to-all) 비클리포드 얽힘 장치(entangler)를 통해 회로 내부에서 $k$차 토큰 상호작용을 합성하고 이를 국소 단일 큐비트 리드아웃(read-out)을 통해 노출하는, 얕고 하드웨어 구현이 가능한 양자 어텐션 헤드인 **양자 고차 어텐션(QHA)**를 소개합니다. 우리는 (i) 표현력 분리를 증명합니다: 임베딩 차원 $m$, $H$개의 헤드, $p$-비트 정밀도를 가지며 $mHp=o(N/\log\log N)$을 만족하는 단일 표준 셀프 어텐션 층은 회로 깊이 $O(\log k)$ ($O(k)$ 개의 2-큐비트 게이트)를 가진 하나의 QHA 헤드가 표현하는 $k$차 상관관계 패밀리를 표현할 수 없습니다. 그리고 (ii) 국소 설계(local-design) 구현에 대한 학습 가능성 보장을 증명합니다: 국소 리드아웃과 $O(\log n)$ 깊이에서 그래디언트 분산은 $Ω(1/\mathrm{poly}(n))$입니다 (바렌 고원 없음). 이를 경험적으로 확인했습니다. 동시에 우리가 벤치마킹한 더 표현력이 뛰어난 전체 대 전체(all-to-all) 구현은 경험적으로 학습되었으며 지수적으로 감소하는 그래디언트를 보임을 명시합니다. 경험적으로, $6.5\times$ 더 작은 매개변수 예산에서 QHA는 분리된 입력으로부터 모든 차수 $k\le6$에 대한 히든 서브셋 패리티(hidden-subset parity)를 일반화하는 반면, 더 큰 고전적 어텐션 헤드는 2차 이상에서 붕괴합니다. 이론과 일치하게, 이점의 크기는 목표의 푸리에 차수를 따르는데, 패리티에서 가장 크고 저차 구조가 존재할 때 줄어듭니다. 응용 프로그램으로서, QHA는 유전적 상피성(genetic epistasis), 노이즈가 있는 패리티 학습(learning-parity-with-noise), 그래프 삼각형 탐지라는 세 가지 도메인에 걸쳐 컴팩트한 고차 상호작용 감지기 역할을 하며, 분야 표준 선형 방법이 실패하는 가장 작은 매개변수 예산에서 노이즈 천장에 도달합니다.