arXiv:2512.00751v4 quant-ph

양자 신경망을 통해 효율적으로 학습 가능한 파편화

Fragmentation is Efficiently Learnable by Quantum Neural Networks

Mikhail Mints, Eric R. Anschuetz

제출 2025-11-30

저자 비고

arXiv Comments

32 pages, 5 figures

한국어 초록

특정 물리적 양자계 클래스에서는 지수적으로 거대한 상태 공간이 동역학적으로 단절된 다수의 저차원 부분공간으로 "파편화(fragment)"됩니다. 본 논문에서는 입력된 양자 상태가 어느 부분공간에 속하는지 분류(classification)하는 '파편 분류(fragment classification)'라는 학습 문제를 소개합니다. 파편화 현상이 특정 조건을 만족할 때 양자 컴퓨터에서 이 학습 문제를 효율적으로 해결할 수 있음을 증명합니다. 나아가, 알려진 탈양자화(dequantization) 기법들이 파편 분류 문제에 적용되지 않음을 보여줌으로써 이 작업의 고전적 난해성을 뒷받침하는 증거를 제시합니다. 결과적으로 본 연구는 양자 컴퓨터가 효율적으로 수행할 수 있으면서도 알려진 고전적 탈양자화가 존재하지 않는, 물리적으로 동기 부여된 양자 머신러닝 작업의 드문 사례를 제공합니다.

원문 초록

In certain classes of physical quantum systems, the exponentially large state space "fragments" into many low-dimensional, dynamically disconnected subspaces. We introduce a learning problem known as fragment classification, where given a quantum state input, one is interested in classifying to which subspace the state belongs. We prove that solving this learning problem is efficient on a quantum computer when the fragmentation phenomenon satisfies certain conditions. Furthermore, we give evidence supporting the classical hardness of this task by demonstrating that known dequantization techniques fail for the fragment classification problem. Consequently, this work provides a rare example of a physically motivated quantum machine learning task that is both efficient for quantum computers to perform and admits no known classical dequantization.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2512.00751v4

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.13722v1quant-ph공통 태그 Quantum Machine Learning, quantum computing

양자 내성 암호의 복원력 평가를 위한 양자 머신러닝 연구

Towards quantum machine learning for assessing the resilience of post-quantum cryptography

양자 컴퓨터의 잠재적 능력은 대규모 내결함(fault-tolerant) 양자 컴퓨터에 접근할 수 있는 적대자로부터 통신을 보호하기에 적합한 암호 프로토콜의 개발을 촉진했다. 그러나 현재 양자 컴퓨터는 규모와 정밀도 측면에서 제한적임에도 불구하고, 양자 내성 암호 프로토콜의 허점과 취약점을 찾는 데 여전히 유용할 수 있다. 본 연구에서는 이러한 목적을 위해 양자 머신러닝에서 사용되는 유망한 아키텍처 중 하나인 양자 생성적 적대 신경망(Quantum Generative Adversarial Networks, QGANs)의 능력을 활용하려는 시도를 제시한다. 해시 기반 디지털 서명의 확률 분포를 양자 컴퓨터 메모리에 적재하기 위해 QGAN 아키텍처를 적용한 예시를 설명한다. 결과는 근시일 내 하이브리드 양자-고전 방법이 이 목적에 필요한 능력을 갖추고 있음을 확인한다. 제시된 접근법은 양자 내성 암호 원시(primitive)를 공격하기 위해 양자 컴퓨팅을 활용하는 워크플로의 첫 단계로 사용할 수 있다.

arXiv:2607.07754v1cs.LG공통 태그 Quantum Machine Learning, quantum computing

전문가 혼합을 활용한 양자 영감 전략을 통한 이미지 분류

Image classification via a quantum-inspired strategy involving a mixture of experts

패턴 인식 문제는 다양한 물리적 이미지 처리 상황에서 발생하며, 합성곱 신경망(convolutional neural network)은 필요한 특징 추출 및 분류 작업에 널리 사용되는 방식이다. 고전적 신경망은 이미지 데이터를 다운샘플링하고 중요한 구조적 특징을 포착하기 위해 확산 기반 스미어링과 블록 단위 풀링을 사용한다. 본 연구에서는 전문가 혼합(MoE)을 활용한 보다 효율적인 양자 영감 전략을 제안하고 실증한다. 이는 고전-양자 하이브리드 프레임워크로, 양자 파트는 이미지의 진폭 인코딩, 로컬 유니터리 연산을 이용한 합성곱, 서로 다른 파라미터로 동일한 이미지를 처리하는 다수의 전문가, 그리고 양자 안정자 코드(quantum stabiliser codes)를 이용한 특징 추출로 구성된다. 고전 파트는 이미지 클래스 예측을 위해 표준 완전 연결 신경망을 사용하여 각 전문가가 추출한 특징을 공동으로 처리한다. MNIST와 Fashion-MNIST 데이터셋을 벤치마크로 사용하여, 공동 전문가 분석이 개별 전문가 분석보다 우수한 성능을 보이며 이미지 클래스 예측 실패율을 약 2배 감소시킴을 실증한다. 본 양자 영감 전략의 오버헤드는 GPU 워크스테이션에서 적당한 수준에 불과하여 기존 고전적 방식에 대한 실용적인 대안이 된다. 또한 본 프레임워크의 양자 파트를 양자 프로세서에서 실행하는 방법도 제시한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.