시계열 데이터 분석은 과학과 공학 전반에서 폭넓게 쓰이지만 계산 부담이 크다는 난제를 안고 있다. 특히 시간 재매개변수화 불변성(time reparameterization invariance)이 큰 걸림돌로 꼽힌다. 같은 흐름의 데이터라도 시간축을 늘이거나 줄이는 방식이 달라지면 표현이 바뀔 수 있어, 의미 있는 시간적 특징을 안정적으로 뽑아내기가 까다롭다. 연구진은 이 문제를 양자 계산 기법으로 풀어보려는 시도를 arXiv에 공개된 논문에서 선보였다.
제안된 것은 양자와 고전 계산을 함께 쓰는 하이브리드 구조다. 최근 발전한 양자 신경망과 경로 서명(path signature)이라는 수학적 틀을 결합해, 시간 재매개변수화에 따른 영향을 완화하는 것이 목표다. 경로 서명은 경로의 형태를 시간 흐름에 덜 민감하게 특징으로 담아내는 도구로, 시계열이 어떻게 매개변수화되든 일관된 표현을 얻는 데 도움을 준다.
구조의 앞단에는 특징 계층이 배치된다. 이 계층은 분류 대상이 되는 목표 경로와 기준이 되는 참조 경로를 짝지어 둘 사이의 서명 커널(signature kernel)을 계산한다. 이때 계산은 고전 방식으로도, 혹은 변분 양자 선형 해법(VQLS, Variational Quantum Linear Solver)이라는 양자 방식으로도 수행할 수 있다. 이렇게 만들어진 특징은 이어지는 양자 합성곱 신경망(QCNN)으로 넘어가 실제 학습 과제를 담당한다.
연구진은 QCNN 구성을 달리한 여러 버전의 구조를 만들어, 손으로 쓴 숫자를 시계열 형태로 표현한 데이터를 두 부류로 나누는 이진 분류 과제에서 성능을 평가했다. 실험을 통해 양자 회로 안에 경로 서명 커널 계층을 구현하는 방식이 가질 수 있는 잠재적 이점을 확인했다고 밝혔다. 동시에 VQLS 구성 요소가 지닌 계산상의 한계도 함께 분석해, 어떤 부분이 실제 활용의 제약으로 작용하는지 짚었다.
이번 연구는 시계열 분류라는 오래된 문제에 양자 계산과 경로 서명이라는 서로 다른 접근을 엮어 새로운 실마리를 찾으려 한 시도로 볼 수 있다. 다만 아직 손글씨 숫자 이진 분류라는 제한된 과제에서의 탐색적 결과이며, 해당 논문은 동료 심사를 거치기 전 단계로 arXiv에 사전 공개됐다. 자세한 내용은 원문 초록 보기에서 확인할 수 있다.
