양자 피셔 정보로 연속 학습의 망각을 줄인 VQC 시뮬레이션: MNIST·패션 MNIST·양자 위상 분류 검증

연속적으로 들어오는 과제에서 이전 지식을 지우지 않게 하려는 양자 연속 학습 문제를 다룬 arXiv 프리프린트가 나왔다. 이 연구는 변분 양자 분류기(VQC)가 비정상적 과제 분포에서 재앙적 망각에 취약하다는 점에 주목하고, 양자 피셔 정보(QFI)를 활용한 정규화 기법 QEWC를 제안한다. 핵심은 고전적 피셔 정보(CFI)가 측정에 따른 출력 통계로 중요도를 잡아내는 반면, QFI는 매개변수화된 양자 상태 자체의 내재적 민감도를 반영한다는 점이다.

실험은 순차 이진 분류 과제들로 구성됐으며, 고전 이미지 분류와 양자 위상 분류가 함께 포함됐다. 연구진은 원본 MNIST, 픽셀 순열 MNIST, Fashion MNIST, 그리고 SPT/ATF 위상 과제를 연속으로 학습시키는 환경을 구성했다. 입력 이미지는 PCA로 16차원 특징 벡터로 투영됐고, 각 과제의 데이터셋은 800개 훈련 샘플과 200개 시험 샘플로 이뤄졌다. 수치 결과는 모두 클래식 시뮬레이션으로 얻었다.

양자 피셔 정보로 연속 학습의 망각을 줄인 VQC 시뮬레이션: MNIST·패션 MNIST·양자 위상 분류 검증 논문의 Figure 2 — Figure 2. Figure 2: Overview of the proposed quantum elastic weight consolidation (QEWC) framework. (a) continual learning tasks considered in this work, including classical image- classification tasks and a quantum-state classification task involving ATF and SPT phases. (b) Variational quantum classifier used for sequential binary classification. Classical input data are embedded into the amplitudes of an n-qubit quantum state through amplitude encoding U(x), processed by a trainable ansatz V (θ), and mapped to class predictions through measurement readout. (c) Illustration of catastrophic forgetting and continual learning in the parameter/state manifold. Without knowledge consolidation, training on a new task can move the model away from regions associated with previous tasks, leading to performance degradation. Continual learning aims to maintain low error across all learned tasks. (d) Schematic representation of the QEWC framework as a stability–plasticity balancing mechanism. The current-task loss promotes learning plasticity, while the QFI-informed regularization term penalizes parameter displacements that strongly affect previously learned quantum states, thereby preserving past knowledge. 출처: arXiv:2607.16030

무정규화 기준선은 과제 전환 뒤 성능 붕괴를 분명히 드러냈다. 예를 들어 세 과제 순서에서 T3를 마쳤을 때 T3 정확도는 100%에 도달했지만, T1 정확도는 63.2%로 내려가 최고값 대비 약 32%포인트 감소했고, T2는 49.8%까지 떨어져 이진 분류의 무작위 추측과 거의 같아졌다. 반대로 EWC와 QEWC는 둘 다 이전 과제 보존을 개선했다. T′1 이후에는 두 방법 모두 95%대 정확도를 보였고, T2 학습을 마친 뒤에는 EWC가 T1 89.6%, QEWC가 89.8%를 유지했으며, 새 과제 T2 정확도는 둘 다 90.8%였다.

세 과제 전체에서 최종 성능도 비교됐다. EWC는 T3에서 100%를 기록하고 T1과 T2를 각각 89.8%, 85.9%로 보존했다. QEWC는 T3에서 99.6%를 유지하면서 T1 86.5%, T2 79.8%를 남겼다. 이 결과는 두 방법 모두 망각 완화에는 유효하지만, QFI 기반 규제가 어떤 기하학적 제약을 거는지는 CFI 기반 EWC와 다르다는 분석과 연결된다. CFI는 측정에 민감한 방향에 선택적으로 작용하는 반면, QFI는 매개변수 공간 전반에 더 조밀한 상태-기하 제약을 둔다고 정리됐다.

항목	원문 수치/조건	근거 위치
기준선 T3 종료 후 T1 정확도	63.2%	p.16 \| source_excerpt
기준선 T3 종료 후 T2 정확도	49.8%	p.16 \| source_excerpt
EWC / QEWC의 T2 종료 후 T1 보존	89.6% / 89.8%	p.20 \| source_excerpt
EWC / QEWC의 최종 T2 정확도	90.8% / 90.8%	p.20 \| source_excerpt
EWC / QEWC의 최종 T3 정확도와 T1·T2 보존	100%, 89.8%, 85.9% / 99.6%, 86.5%, 79.8%	p.20 \| source_excerpt

자료: STORIUM 정리

잡음 조건에서도 차이가 관찰됐다. depolarizing noise가 들어간 경우, CFI 값은 측정 통계가 악화되며 강하게 억제되었지만 QFI는 노이즈가 있는 매개변수화 양자 상태의 민감도 구조를 더 안정적으로 보존했다. Figure 5에서는 p = 0.01에서의 정확도와 함께 평균 절대 매개변수 이동량이 제시됐고, Figure 4와 Figure 3에서는 기준선, EWC, QEWC의 학습 곡선과 분포 지표를 함께 비교했다. 결과적으로 이 프리프린트는 양자 상태 기하를 기반으로 한 QEWC가 양자 연속 학습의 망각을 다루는 물리적 동기 부여를 제공한다고 결론짓는다.