[논문 리뷰] Toward Generative Quantum Utility via Correlation-Complexity Map

Chen-Yu Liu, Leonardo Placidi외 2명|arXiv (Cornell University)|2026. 03. 06.

Quantum many-body systems인용 수 0

한 줄 요약

이 논문은 두 지표 QCLI와 CCI를 사용한 상관-복잡도 맵(Correlation–Complexity Map)을 도입하여 IQP형 양자 생성 모델과의 호환성 여부를 판단하고, 잠재적 적응 IQP 생성을 가진 난류 데이터셋 사례를 보여준다.

ABSTRACT

We propose a Correlation-Complexity Map as a practical diagnostic tool for determining when real-world data distributions are structurally aligned with IQP-type quantum generative models. Characterized by two complementary indicators: (i) a Quantum Correlation-Likeness Indicator (QCLI), computed from the dataset's correlation-order (Walsh-Hadamard/Fourier) power spectrum aggregated by interaction order and quantified via Jensen-Shannon divergence from an i.i.d. binomial reference; and (ii) a Classical Correlation-Complexity Indicator (CCI), defined as the fraction of total correlation not captured by the optimal Chow-Liu tree approximation, normalized by total correlation. We provide theoretical support by relating QCLI to a support-mismatch mechanism, for fixed-architecture IQP families trained with an MMD objective, higher QCLI implies a smaller irreducible approximation floor. Using the map, we identify the classical turbulence data as both IQP-compatible and classically complex (high QCLI/high CCI). Guided by this placement, we use an invertible float-to-bitstring representation and a latent-parameter adaptation scheme that reuses a compact IQP circuit over a temporal sequence by learning and interpolating a low-dimensional latent trajectory. In comparative evaluations against classical models such as Restricted Boltzmann Machine (RBM) and Deep Convolutional Generative Adversarial Networks (DCGAN), the IQP approach achieves competitive distributional alignment while using substantially fewer training snapshots and a small latent block, supporting the use of QCLI/CCI as practical indicators for locating IQP-aligned domains and advancing generative quantum utility.

연구 동기 및 목표

• 실세계 데이터가 IQP형 생성 편향과 일치하는지 평가하기 위한 실용적 지표를 제공한다.
• 두 차원 Correlation–Complexity Map (QCLI 대 CCI)을 개발하여 데이터세트를 양자 호환성과 고전적 복잡성으로 구분한다.
• 난류 데이터셋에서 접근법을 시연하고 잠재적 적응 IQP 생성기를 보인다.
• 연속 데이터를 IQP 기반 생성 모델링 가능하도록 부동소수점에서 비트로 표현을 다루다.
• 고전적 생성 모델과의 워크플로를 검증하여 IQP에 맞는 도메인을 찾기 위한 실용적 지표를 주장한다.]
• method([
• 데이터세트의 Walsh–Hadamard 차수 스펙트럼과 binomial i.i.d 참조 사이의 Jensen–Shannon 발산으로 Quantum Correlation–Likeness Indicator (QCLI) 정의한다.
• 최적 Chow–Liu 트리로 포착된 총 상관의 비율에 대한 1에서 차감한 값으로 Classical Correlation–Complexity Indicator (CCI) 계산한다.
• IQP-호환 구간을 식별하기 위해 (I_QCLI, I_CCI)를 플로팅하여 Correlation–Complexity Map을 사용한다.
• 정형화된 아키텍처의 IQP 계열에서 불변의 MMD 목표 하에서 더 높은 I_QCLI가 irreducible MMD 바닥을 낮춘다는 이론적 연결을 제공한다.
• 난류 데이터의 IQP 모델링을 가능하게 하기 위해 float-to-bitstring 표현을 구현하고, 시간 단계 간에 컴팩트 IQP 회로를 재사용하는 잠재 매개변수 적응을 도입한다.
• order-4 IQP 회로와 고정 아키텍처 학습자들로부터 생성된 데이터셋으로 QCLI–MMD 메커니즘에 대한 실증적 탐색을 수행하여 지원 불일치를 보여준다.

제안 방법

• 정의 Quantum Correlation–Likeness Indicator (QCLI) as the Jensen–Shannon divergence between the dataset’s Walsh–Hadamard order spectrum and a binomial i.i.d. reference.
• Compute Classical Correlation–Complexity Indicator (CCI) as 1 minus the ratio of the optimal Chow–Liu tree’s captured total correlation to the total correlation.
• Use the Correlation–Complexity Map by plotting (I_QCLI, I_CCI) to identify IQP-compatible regimes.
• Provide a theoretical link showing higher I_QCLI reduces irreducible MMD floors for fixed-architecture IQP families under an MMD objective.
• Implement a float-to-bitstring representation to enable IQP modeling of turbulence data, with a latent-parameter adaptation that reuses a compact IQP circuit across time steps.
• Conduct empirical probing of the QCLI–MMD mechanism with datasets generated from order-4 IQP circuits and fixed-architecture learners to illustrate performance under support mismatch

실험 결과

연구 질문

• RQ1 QCLI가 실제 데이터를 IQP형 생성기와의 양자 호환 가능성을 정량화할 수 있는가?
• RQ2 CCI가 데이터의 쌍별 구조를 넘어 고차원 비가역 의존성의 정도를 효과적으로 측정하는가?
• RQ3 결합 (I_QCLI, I_CCI)이 데이터를 IQP-호환 구역과 비호환 구역으로 실질적으로 구분하는가?
• RQ4 잠재 매개변수 적응 IQP 프레임워크가 고정 핵 회로를 사용하여 시계열 난류 데이터를 효율적으로 모델링할 수 있는가?
• RQ5 데이터와 학습 자원이 제한될 때 IQP 기반 모델이 고전 기반 대비 경쟁력을 유지하는가?

주요 결과

• Correlation–Complexity Map은 두 축 (I_QCLI, I_CCI)로 구성된 풍경을 제시하여 데이터세트를 양자 호환성과 고전적 복잡성으로 구분한다.
• 고전적 난류 데이터는 높은 I_QCLI 및 높은 CCI 구역에 위치하여 고전적 복잡성에도 불구하고 잠재적 IQP 호환성을 시사한다.
• 가역적 float-to-bitstring 표현은 작은 잠재 블록으로 난류의 IQP 기반 생성 모델링을 가능하게 한다.
• 잠재 매개변수 적응은 컴팩트한 IQP 회로를 재사용하여 보이지 않는 시간적 난류 스냅샷을 생성하며, 제한된 데이터로도 경쟁력 있는 성능을 달성한다.
• RBM 및 DCGAN 베이스라인과 비교하여 IQP 접근은 훨씬 적은 학습 스냅샷으로 분포적 정렬이 강하게 나타난다.