양자 컨볼루션 신경망의 고전적 시뮬레이션
양자 컨볼루션 신경망(QCNN)은 양자 머신러닝(QML) 분야에서 유망한 모델로 주목받고 있습니다. 본 연구는 가장 널리 사용되는 QCNN 변형들을 분석하며, 이들의 경험적 성공이 두 가지 요인에 기인함을 밝힙니다. 첫째, 무작위 초기화 시 QCNN은 입력 상태의 낮은 차원 측정 정보만을 처리합니다. 둘째, QCNN이 벤치마킹되는 데이터셋은 이러한 낮은 차원 관측값으로도 분류 가능한 '국소적으로 쉬운' 특성을 가집니다. 이러한 통찰을 바탕으로, QCNN의 동작은 낮은 차원 부분 공간에서 효율적으로 고전적으로 시뮬레이션될 수 있다고 주장합니다. 이를 실증하기 위해, 낮은 차원 파울리 전파, 텐서 네트워크, 고전적 섀도우를 기반으로 하는 순수 고전적 QCNN 대리 모델을 구축하고 훈련했습니다. 개발된 고전적 대리 모델은 모든 벤치마크 데이터셋과 최대 1024 큐비트 환경에서 표준 QCNN과 동등하거나 더 우수한 성능을 보였습니다. 이는 QCNN의 시뮬레이션 가능성 주장을 경험적으로 입증하는 결과입니다. 본 연구는 QML 모델의 경험적 성공이 단순히 쉬운 문제에 대한 벤치마킹 때문일 수 있다는 QML의 근본적인 문제점을 시사합니다. 결론적으로, 비자명한 데이터셋이 QML 발전을 위한 필수 요소임을 강조하며, 본 연구 결과가 다른 양자 아키텍처의 고전적 시뮬레이션으로 확장될 수 있는 방안을 논의합니다.