혼돈 양자 확산 모델을 통한 양자 데이터 분포 학습

본 논문은 양자 데이터 생성이라는 새로운 패러다임을 제시한다. 기존의 양자 디노이징 확산 확률 모델(QuDDPM)은 무작위 유니터리 회로(RUC)를 이용해 양자 상태를 점진적으로 스크램블하고, 역방향에서는 측정이 포함된 파라미터화된 양자 회로(VQC)를 통해 디노이징한다. 이러한 구조는 층별 학습을 가능하게 하여 바넬 플래토 문제를 완화하지만, RUC 구현에 필요한 정밀한 시공간 제어와 깊은 회로 깊이는 아날로그 양자 플랫폼에서 실현이 어렵다. 논문은 이 문제를 해결하기 위해 ‘혼돈 양자 확산 모델(Chaotic Quantum Diffusion Model)’을 도입한다. 핵심 아이디어는 전역적이고 시간 독립적인 혼돈 해밀토니안을 이용해 시스템을 연속시간으로 진화시키는 것이다. 전체 시스템을 두 부분(M, F)으로 나누고, 큰 부분(F)을 측정함으로써 작은 부분(M)에 대한 프로젝티드 앙상블을 얻는다. 이 앙상블은 상태들의 순수 집합과 그 발생 확률로 구성되며, 충분히 큰 F와 충분히 긴 시간 진화가 보장될 경우 Haar‑랜덤 k‑design에 수렴한다. 이는 고차 모멘트까지 목표 분포와 동일한 통계적 특성을 갖게 함을 의미한다. 두 가지 구체적 구현 방식을 제시한다. ① 누적 시간 진화 확산(CTED)에서는 각 데이터 샘플에 무작위 초기 F 상태를 결합한 뒤, 동일한 혼돈 해밀토니안을 k·Δt 만큼 진화시키고 F를 측정한다. 이렇게 하면 각 단계마다 새로운 프로젝티드 앙상블 E(k)가 생성된다. ② 반복 시간 진화 확산(RTED)에서는 매 단계마다 동일한 단위 시간 Δt 만큼만 진화시키고 이를 k번 반복한다. 두 방식 모두 전역 해밀토니안 제어만 필요하므로 디지털 게이트 시퀀스를 설계할 필요가 없으며, 트롯터화 오차나 펄스 형성 오류를 회피한다. 학습 절차는 기존 QuDDPM과 동일하게 층별(layer‑wise) 방식으로 진행된다. 각 확산 단계 k에 대해, 앞 단계에서 얻은 스크램블된 앙상블 S_{k‑1}와 파라미터화된 VQC V(θ_k)를 사용해 디노이징된 앙상블 \tilde{S}_{k‑1}을 생성한다. 비용 함수는 양자 상태 커널을 이용한 최대 평균 차이(MMD) 혹은 1‑Wasserstein 거리이며, 커널은 SWAP 테스트 기반 피델리티 혹은 클래식 섀도우 커널을 활용한다. 이 과정은 바넬 플래토를 회피하고, 각 단계마다 최적화가 비교적 안정적으로 수렴한다. 실험에서는 1‑D 양자 스핀 체인, 2‑D 초저온 원자 격자, 라이드버그 원자 어레이 등 다양한 아날로그 양자 시뮬레이터를 시뮬레이션하였다. 결과는 다음과 같다. (1) CTED와 RTED 모두 최종 생성된 양자 데이터의 MMD가 목표 분포와의 차이를 10⁻³ 이하로 낮추어, 기존 RUCD 기반 QuDDPM과 동등한 정확도를 보였다. (2) 구현 비용 측면에서, 전통적인 RUC는 평균 게이트 수가 O(NK²)인 반면, CTED와 RTED는 전역 해밀토니안 하나만 필요하고 실행 시간은 O(NK²)·τ_c 혹은 τ_r 로, 실제 하드웨어에서 5배 이상, 실행 시간에서 3배 이상 절감되었다. (3) 제어 오류에 대한 강인성 실험에서는, 전역적인 혼돈 진화가 로컬 게이트 오류에 비해 2배 이상 높은 복원력을 보였다. 또한, 프로젝티드 앙상블이 단순히 평균 밀도 행렬이 아니라 고차 모멘트를 포함한다는 점을 강조한다. 이는 동일한 밀도 행렬을 갖는 서로 다른 데이터 분포를 구별할 수 있게 하며, 양자 화학이나 물질 과학에서 복잡한 상관 구조를 보존한 데이터 생성에 유리하다. 결론적으로, 이 논문은 ‘양자 혼돈’이라는 물리 현상을 확산 모델의 핵심 메커니즘으로 전환함으로써, 이론적 설계와 실험적 구현 사이의 격차를 크게 줄였다. 전역 제어만으로도 충분히 높은 차원의 스크램블링을 구현할 수 있어, 아날로그 양자 하드웨어에서 양자 생성 모델을 실용화하는 데 중요한 발판이 된다. 향후 연구 방향으로는 비정상적 스펙트럼을 가진 다체 혼돈 해밀토니안, 측정 기반 피드백 루프, 그리고 실제 실험에서의 하드웨어‑인-더‑루프 학습 등이 제시된다.