[논문 리뷰] Rethinking Quantum Noise in Quantum Machine Learning: When Noise Improves Learning

Linghua Zhu, Yulong Dong외 2명|arXiv (Cornell University)|2026. 01. 19.

Quantum Computing Algorithms and Architecture인용 수 0

한 줄 요약

본 논문은 초기화 의존적 양자 노이즈가 분자 특성 예측에서 QGNN 성능을 개선하거나 악화시킬 수 있음을 보이며, 미최적화된 모델은 보통 중간 수준의 노이즈로부터 이득을 얻는 반면 잘 최적화된 모델은 악화된다는 것을 보인다.

ABSTRACT

Quantum noise is conventionally viewed as a fundamental obstacle in near-term quantum computing, motivating extensive error correction and mitigation strategies. We present numerical evidence that challenges this consensus. Through experiments on quantum graph neural networks for molecular property prediction, we discover that quantum noise induces heterogeneous, initialization-dependent responses. Among randomly initialized models with identical architecture, approximately one-third show performance improvement under moderate noise, while a smaller fraction deteriorate and the remainder are marginally affected. We identify a strong negative correlation ($r = -0.62$) between baseline model performance and noise benefit, suggesting that noise acts as an implicit regularizer for under-optimized models while disrupting well-converged ones. The observed optimal noise level falls below theoretical predictions, indicating error cancellation in structured quantum circuits. These findings demonstrate that quantum noise effects depend critically on initialization quality and need not be uniformly detrimental, suggesting a shift from universal noise mitigation toward structure- and noise-aware optimization strategies.

연구 동기 및 목표

• 다르게 초기화될 때 양자 노이즈가 양자 머신 러닝 모델에 어떤 영향을 미치는지 조사한다.
• 노이즈가 미최적화된 모델에 대한 암묵적 정규화 역할을 하는지 판단한다.
• 기초 성능과 노이즈로 인해 학습 결과 간의 상관관계를 파악한다.
• 최적의 노이즈 수준이 이론적 예측과 일치하는지와 그 이유를 평가한다.

제안 방법

• 노이즈 효과를 연구하기 위해 QM9 부분 집합에서 독립적으로 초기화된 55개의 단층 양자 그래프 신경망을 사용한다.
• NISQ와 유사한 조건을 시뮬레이션하기 위해 게이트당 오차율 \u0005, 0.010 및 0.015(노이즈 없는 경우 0 포함)로 네 가지 노이즈 수준을 모델링한다.
• 순열 등가성과 고정 회로 깊이를 보장하기 위해 EDU 양자 그래프 회로를 채택한다.
• 현상론적 노이즈 모델을 구현하여 f_noisy(G,\u001e,\u007f)=(1-p_error(\u007f))f_noiseless(G,\u001e)+\u0001 이고 p_error(\u007f)=1-(1-\u007f)^{N_g*L} 및 \u0001 ~ N(0,\\,\u0002_noise)
• HOMO-LUMO 간격 예측에 대한 R^2로 성능을 평가하고 상대적 변화 \u0002R^2를 계산한다.
• 초기화 시드 전반에 걸친 기초 성능과 노이즈 반응 간의 관계를 분석한다.

실험 결과

연구 질문

• RQ1 무작위 초기화 전반에 걸쳐 양자 노이즈가 QGNN 성능에 균일한 영향을 미치는가?
• RQ2 모델의 무노이즈 기초 성능과 노이즈에 의해 변화된 성능 간에 체계적 관계가 있는가?
• RQ3 노이즈로 이득을 얻는 모델의 최적 노이즈 수준은 무엇이며 이가 이론적 예측과 어떻게 비교되는가?
• RQ4 노이즈가 양자 머신 러닝에서 암묵적 정규화로 작용할 수 있으며 어떤 조건에서 그런가?

주요 결과

• 55개의 독립적으로 초기화된 모델 중 36.4%가 노이즈로부터 이득을 얻었고, 14.5%는 악화되었으며, 49.1%는 경계에 머물렀다.
• 노이즈를 가진 모든 모델의 평균 개선은 1.8%이며, 이득이 있는 경우의 평균은 5.8%, 악영향인 경우의 평균은 4.2%이다.
• 무노이즈 기초 성능과 노이즈 이득 간에 강한 음의 상관관계(r = -0.620, p < 0.001)가 있다.
• 대다수의 모델(49.1%)이 최적 성능을 \u001f = 0.005에서 달성했으며, 일부 모델은 더 높은 노이즈 수준(0.010 및 0.015)에서 최적을 달성한다.
• 실험적으로 관찰된 최적의 게이트당 오차율(\u0003b5 = 0.005)은 이론적 추정(\u0003b5_opt_theory ˜rom Eq. 6)보다 낮아 구조적 회로에서의 오차 상쇄를 시사한다.