양자 Occam 학습: 회로 기반 양자 학습을 위한 샘플 지원 표현력
Quantum Occam Learning: Sample-Supported Expressibility for Circuit-Based Quantum Learning
양자 머신러닝의 핵심 원리 중 하나는 ansatz가 관심 있는 양자 데이터를 표현하기에 충분한 표현력을 갖추어야 한다는 것이다. 그러나 표현력은 미지의 양자 상태로부터 유한히 많은 사본(copy)으로 학습될 수 있는 범위에서만 통계적으로 의미를 갖는다. 본 연구에서는 유한 크기의 양자 회로로 생성된 양자 데이터에 대한 정보 이론적 Occam 이론을 제안한다. 최대 $G$개의 2-큐비트 게이트로 준비 가능한 $n$-큐비트 순상태(pure state)의 클래스 $S_{n,G}$에 대해, metric-entropy 논증은 회로 제한(circuit-limited) 영역에서 실현 가능한 샘플 법칙 $\widetildeΘ(G/ε^2)$를 제공한다. 임의의 소스 $\hatρ$에 대해, 최적 $G$-게이트 근사 오차 $d_G(\hatρ)$와 근사 회로 복잡도 $C_η(\hatρ)$를 도입한다. 불가지론적(agnostic) 양자 Occam 정리를 증명한다: $M$개의 사본으로, 최적 $G$-게이트 근사 오차에 통계적 패널티 $\widetilde{O}(\sqrt{G/M})$를 더한 수준까지 학습할 수 있다. 이어서, 데이터가 정당화하는 회로 복잡도를 선택하는 oracle inequality를 갖는 적응형 모델 선택 정리를 통해, $G$를 사전에 알 필요가 없도록 한다. 일치하는 하한은 샘플 지원 표현력 법칙을 제공한다: trace distance 정확도 $ε$에서, $M$개의 샘플은 (로그 인수와 $2^n$에서의 토모그래피 포화까지 고려하여) $G_{\rm supported} \simeq Mε^2$개의 게이트만 지원할 수 있다. 따라서 회로 복잡도는 정적 약속(static promise)이 아니라 적응적 통계적 자원이 된다. 본 프레임워크는 유계(bounded) 회로 복잡도를 양자 머신러닝을 위한 모델 선택 원리로 전환한다.