[논문 리뷰] Quantum Machine Learning for Complex Systems

Vinit Singh, Amandeep Singh Bhatia외 3명|arXiv (Cornell University)|2026. 02. 23.

Quantum Computing Algorithms and Architecture인용 수 0

한 줄 요약

이 논문은 변분 회로, 양자 커널, 신경망 양자상태 등 양자 기계 학습(QML) 패러다임이 복잡한 양자 시스템과 실제 세계 시스템의 학습 및 시뮬레이션 문제를 어떻게 다루는지 검토하고, 규모 확장성 및 학습 가능성을 개선하기 위해 양자 보조 샘플링과 정보 이론적 진단을 도입한다.

ABSTRACT

Quantum machine learning (QML) is rapidly transitioning from theoretical promise to practical relevance across data-intensive scientific domains. In this Review, we provide a structured overview of recent advances that bridge foundational quantum learning principles with real-world applications. We survey foundational QML paradigms, including variational quantum algorithms, quantum kernel methods, and neural-network quantum states, with emphasis on their applicability to complex quantum systems. We examine neural-network quantum states as expressive variational models for correlated matter, non-equilibrium dynamics, and open quantum systems, and discuss fundamental challenges associated with training and sampling. Recent advances in quantum-enhanced sampling and diagnostics of learning dynamics, including information-theoretic tools, are reviewed as mechanisms for improving scalability and trainability. The Review further highlights application-driven QML frameworks in drug discovery, cancer biology, and agro-climate modeling, where data complexity and constraints motivate hybrid quantum-classical approaches. We conclude with a discussion of federated quantum machine learning as a route to distributed, privacy-preserving quantum intelligence. Overall, this Review presents a unified perspective on the opportunities and limitations of QML for complex systems.

연구 동기 및 목표

• 복잡하고 고차원적이며 상관이 높은 시스템을 위한 양자 기계 학습(QML)의 활용을 동기부여하고 정리한다.
• 양자 다체 물리, 화학, 생물학, 기후 관련 데이터에 대한 QML 패러다임의 기본적 개념과 적용 가능성을 조사한다.
• 학습, 샘플링 및 진단의 도전과제를 강조하고, 규모 확장성과 학습 가능성을 개선하기 위한 전략을 논의한다.
• 응용 주도형 프레임워크를 도입하고 개인정보 보호를 위한 분산 학습에 대한 연합 양자 기계 학습을 논의한다.

제안 방법

• 상관 관계가 있는 시스템에 대해 표현력 있는 변분 모델로서 VQA(variational quantum algorithms)와 NQS(신경망 양자 상태)를 조사한다.
• 고차원 임베딩을 기반으로 한 피처 맵(특징 맵) 학습으로서의 양자 커널 방법을 설명한다.
• 상관 관계를 가지는 물질 및 역학을 모델링하는 데 사용되는 신경망 양자 상태(NQS)와 학습 및 샘플링 도전과제에 대해 설명한다.
• 고전 샘플러를 양자 보조 샘플링으로 대체하는 양자 가능 변분 몬테카를로(Q-VMC) 방법을 제시한다. 이를 통해 대리 해밀토니안과 토트러 회로를 활용한다.
• 학습 동역학 및 학습 가능성을 이해하기 위한 정보 이론적 진단 도구, 예: OTOCs를 논의한다.
• 의약품 발견, 암 생물학, 농·기후 모델링에서의 응용 주도형 QML 워크플로우를 개요하고 프라이버시를 보장하는 분산 학습을 위한 연합 양자 기계 학습을 검토한다.

Figure 1 : A schematic of a Restricted Boltzmann Machine (RBM), a widely used neural-network quantum state. The learner network is represented by a bipartite graph $G=(V,E)$ , consisting of a set of hidden neurons $\{h_{j}\}_{j=1}^{p}$ , shown in gray and associated with bias vector $\vec{b}$ , and

실험 결과

연구 질문

• RQ1 다양한 QML 패러다임(VQAs, 양자 커널, NQS)이 복잡한 양자 시스템과 구조화된 데이터를 모델링하는 데 어떤 성능을 보이는가?
• RQ2 강한 상관 시스템에 대해 NQS의 변분 학습 수렴을 개선하고 분산-학습의 분산-샘플링에서 분산을 줄일 수 있는가?
• RQ3 정보 이론에서의 진단 도구들(예: OTOCs)이 QML 모델의 학습 동역학과 학습 가능성을 어떻게 드러내는가?
• RQ4 의약품 발견, 생의학 데이터 및 기후/농환경 모델링과 같은 도메인에서 QML의 잠재적 응용과 제약은 무엇인가?
• RQ5 연합 양자 기계 학습이 분산되며 프라이버시를 보장하는 양자 지능을 위한 실행 가능한 경로인가?

주요 결과

• 양자 가능 변분 몬테카를로(Q-VMC) 프레임워크는 고전적 샘플링을 양자 샘플러로 대체하여 빠른 혼합과 더 안정적인 수렴을 달성할 수 있다.
• 양자 샘플러는 스펙트럴 격이 시스템 크기에 따라 느리게 감소하여 고전적 업데이트보다 분산이 작아 그래디언트 분산을 줄이고 최적화를 개선한다.
• OTOC의 허수 부분은 2-체 인접한 가시-숨은 상관관계를 인코딩하고 상호 정보 한계와 관련되어 학습 및 얽힘 구조에 대한 역역적(Mutual information) 정보를 제공하는 학습 동역학의 역학적 프로브를 제공한다.
• 근본상태를 근사하기 위해 학습된 RBM은 I–η 공간에서 하한을 포화하는 경향이 있어 관찰된 공분산과 호환되는 최소 상호정보의 원리를 시사한다.
• I–η 분석은 면적-법칙(entangled drivers)과 부피-법칙(entangled drivers)을 구분하고 학습된 표현이 underlying 상관 구조를 어떻게 반영하는지 보여준다.

Figure 2 : Trotterized quantum circuit implementing the quantum-enhanced proposal distribution. The proposal transition probability is defined as $P_{\mathrm{prop}}\!\left(\vec{v}^{(i+1)}\mid\vec{v}^{(i)}\right)=\left|\langle\vec{v}^{(i+1)}|U(\tau,\gamma)|\vec{v}^{(i)}\rangle\right|^{2},$ where the