[논문] 파라미터화된 양자 회로를 위한 적응형 방향 그라디언트
개요
양자 하드웨어에서 파라미터화된 양자 회로(PQC)를 학습하는 과정은 그래디언트 추정에 필요한 측정 비용이 병목이 된다. 파라미터‑시프트 규칙에 따르면 이 비용은 학습 가능한 파라미터 수에 선형적으로 증가하며, 대규모 학습에서 전체 샷 예산을 지배한다. 본 연구에서는 자동 미분의 포워드 모드에 기반한 PQC용 포워드 그래디언트 추정기 프레임워크를 제안한다. 이 프레임워크는 임의의 방향 미분을 자유롭게 조정 가능한 개수만큼 평균함으로써 편향되지 않은 그래디언트 추정치를 제공하고, SPSA, 무작위 좌표 하강, 파라미터‑시프트 규칙을 극한 경우로 복원한다. 또한 보조 큐비트나 제어 게이트 오버헤드가 필요하지 않다. 우리는 확률적 양자 포워드 그래디언트 하강법이 표준 가정 하에 수렴함을 증명하고, 두 번째 모멘트 전개를 명시적으로 제시하여 SPSA의 단일 방향 극한과 파라미터‑시프트의 전체 그래디언트 극한 사이를 보간한다. 이 프레임워크 내에서 우리는 QUIVER(Quantum Iterative V‑adaptive Estimator Rule)를 도출한다. QUIVER는 파라미터화된 회로에 대한 적응형 옵티마이저로, 업데이트 규칙이 최소 측정 비용 할당의 닫힌 형태에서 유도된다. 실험적으로 포워드 그래디언트를 사용하면 Hamming 무게를 보존하는 직교 양자 신경망을 최대 60 큐비트, 1770 파라미터 규모로 ECG5000 및 MNIST 데이터셋에서 파라미터‑시프트 규칙보다 수십 배 효율적으로 학습할 수 있음을 보였다. 또한 제안한 QUIVER 옵티마이저가 양자 근사 최적화 알고리즘(QAOA)과 변분 양자 고유값 해법(VQE) 기반 최적화 문제에서 iCANS 및 gCANS와 같은 측정 절약 옵티마이저보다 뛰어난 성능을 나타냄을 입증한다.
핵심 기여
이 논문은 다음 분야의 연구를 다룬다:
- quant-ph
- cs.LG
방법론
자세한 방법론은 전체 논문을 참고하시기 바랍니다.
실용적 함의
본 연구는 양자 물리(quant-ph) 분야의 발전에 기여한다.
저자
- Brian Coyle
- Snehal Raj
- Virag Umathe
- El Amine Cherrat
- Elham Kashefi
논문 정보
- arXiv ID: 2606.09734v1
- 분류: quant-ph, cs.LG
- 발표일: 2026년 6월 8일
- PDF: PDF 다운로드