[논문 리뷰] Quantum Extreme Reservoir Computing for Phase Classification of Polymer Alloy Microstructures

Arisa Ikeda, Akitada Sakurai외 2명|arXiv (Cornell University)|2026. 01. 05.

Model Reduction and Neural Networks인용 수 0

한 줄 요약

본 논문은 SCFT-생성 고분자 합금 미세구조 이미지를 네 가지 미세상으로 분류하기 위해 양자 극한 리저버 컴퓨팅(QERC)을 시연하고, 큐비트, 샷, 리저버 구성의 성능 영향 및 양자 출력을 해석하기 위한 위상 다이어그램 시각화를 분석한다.

ABSTRACT

Quantum machine learning (QML) is expected to offer new opportunities to process high-dimensional data efficiently by exploiting the exponentially large state space of quantum systems. In this work, we apply quantum extreme reservoir computing (QERC) to the classification of microstructure images of polymer alloys generated using self-consistent field theory (SCFT). While previous QML efforts have primarily focused on benchmark datasets such as MNIST, our work demonstrates the applicability of QERC to engineering data with direct materials relevance. Through numerical experiments, we examine the influence of key computational parameters-including the number of qubits, sampling cost (the number of measurement shots), and reservoir configuration-on classification performance. The resulting phase classifications are depicted as phase diagrams that illustrate the phase transitions in polymer morphology, establishing an understandable connection between quantum model outputs and material behavior. These results illustrate QERC performance on realistic materials datasets and suggest practical guidelines for quantum encoder design and model generalization. This work establishes a foundation for integrating quantum learning techniques into materials informatics.

연구 동기 및 목표

• 현실적인 공학 데이터세트(폴리머 미세구조 이미지)에서 QERC의 실행 가능성과 성능을 평가한다.
• 재료정보학에서 QML에 대한 벤치마크 데이터세트와 방법론을 확립한다.
• 재료 응용을 위한 양자 학습에서 인코더 설계와 모델 해석가능성에 대한 통찰을 제공한다.

제안 방법

• 입력 이미지를 PCA로 2N_Q 차원으로 압축하고 0–π로 재스케일한다.
• 단일 큐비트 회전을 통해 데이터 를 양자 상태로 인코딩하며, theta_l = x_l 및 phi_l = x_{N_Q+1..2N_Q}로 기술된다.
• 클리포드+T 회로와 임의의 얽힘 게이트로 정의된 양자 리저버를 사용해 인코딩된 상태를 처리한다.
• 계산 기저 전체에서 측정하고 확률을 고전적 신경망에 피드하여 분류에 이용한다.
• AdaGrad를 사용한 교차 엔트로피 손실로 출력층을 학습한다.
• 격자점당 다수결로 여러 테스트 이미지에서 위상 다이어그램을 시각화하여 위상 경계를 해석한다.

실험 결과

연구 질문

• RQ1 QERC가 SCFT 생성 폴리머 미세구조 이미지를 육각상, 자이로이드, 래멜라(층상), 무질서상으로 분류할 수 있는가?
• RQ2 큐비트 수, 측정 샷 수, 리저버 구성은 이 데이터세트에서 QERC의 성능에 어떤 영향을 미치는가?
• RQ3 QERC 출력으로 재구성된 위상 다이어그램이 매개변수 공간의 위상 경계를 의미 있게 반영하는가?
• RQ4 매개변수 공간의 변화 및 학습 데이터 크기에 따라 QERC의 일반화 성능은 어떠한가?

주요 결과

• 큐비트가 많아질수록 분류 정확도가 향상되며, 특히 약 7~8 큐비트에서 자이로이드와 육각상 위상이 식별 가능해진다.
• 무작위 클리포드 회로와 T-게이트 층을 함께 사용하는 것이 충분한 성능에 필수적이며, 단일 구성 요소만으로는 성능이 부족하다.
• 높은 기여율을 가진 PCA 인코딩 구성요소가 성능에 결정적이며, 주요 구성요소를 생략하면 정확도가 떨어져 인코더 설계의 중요성을 시사한다.
• QERC 출력으로 재구성된 위상 다이어그램이 실제 위상 영역과 일치하여 매개변수 공간 전반에서 모델 동작을 해석할 수 있다.
• 적절한 바이어스 감소가 주어지면, 다운샘플링된 학습 데이터에서도 매개변수 공간에서 QERC의 강건성과 일반화가 나타난다.