조합 라플라시안을 양자 진화에 넣어 고차 위상 정보를 인코딩한 QTDE, clique-complex 분류와 QSVT 필터에서 평가

고차 관계를 가진 데이터를 벡터처럼만 다루기 어렵다는 문제의식에서 출발한 이 프리프린트는 quantum topological data encoding(QTDE)을 제안한다. 핵심은 그래프나 네트워크를 clique complex로 올린 뒤, 그 위상을 조합 라플라시안 Lk의 양자 진화로 옮겨 표현을 만드는 것이다. 연구진은 이를 topology-driven quantum evolution에 기반한 일반 틀로 제시하며, 기존의 topology-driven quantum encoding을 higher-dimensional data로 일반화한다고 설명한다.

QTDE는 두 가지 읽기 방식을 둔다. 하나는 고정 기준 상태를 e−iLkt로 진화시켜 상태 사이의 fidelity kernel로 비교하는 암묵적 표현이고, 다른 하나는 survival amplitude a(t)=⟨s|e−iLkt|s⟩를 여러 시각에서 샘플링해 [Re a(t), Im a(t), |a(t)|2]로 이루어진 명시적 특징 벡터를 만드는 방식이다. 이 벡터는 표준화한 뒤 선형 SVM으로 분류한다. 또 별도의 일반화로, QSVT를 이용해 라플라시안에 다항식 필터 pθ(Lk)를 적용하는 spectral encoding도 검토한다.

조합 라플라시안을 양자 진화에 넣어 고차 위상 정보를 인코딩한 QTDE, 그래프 분류에서 기준선과 비교 논문의 Figure 1 — 조합 라플라시안을 양자 진화에 넣어 고차 위상 정보를 인코딩한 QTDE, 그래프 분류에서 기준선과 비교. 출처: arXiv:2607.13847

검증은 Erdős–Rényi 무작위 그래프의 clique-complex 분류 문제에서 이뤄졌다. 모든 실험은 Python으로 구현됐고, NetworkX로 그래프와 clique complex를 만들었으며, SciPy로 라플라시안 행렬을 조립했고, expm_multiply로 topology-driven unitary의 작용을 계산했다. 평가는 stratified five-fold cross-validation으로 수행됐고, 각 simplicial dimension k는 따로 평가했다. 비교 기준선은 같은 Lk를 쓰되 행렬을 직접 비교하는 Gaussian kernel으로, 식은 KF_k(Xi,Xj)=exp(−γ∥Lk(Xi)−Lk(Xj)∥F^2)이며 γ는 median heuristic으로 정했다.

결과는 세 패널로 제시된다. 가장 쉬운 쌍인 G(50, 0.60) 대 G(50, 0.70)에서는 세 표현이 대부분의 차원에서 unit accuracy에 가까웠다. 더 어려운 G(30, 0.78) 대 G(30, 0.80), G(50, 0.69) 대 G(50, 0.70)에서는 세 방법 모두 대체로 0.5–0.7 범위에 머물렀다. separable panel의 큰 k에서는 matrix-difference baseline이 먼저 내려가고 fidelity kernel과 survival features가 몇 차원 더 높은 정확도를 유지했지만, 두 어려운 패널에서는 세 곡선이 서로 섞이며 cross-validation spread와 비슷한 수준의 차이를 보였다.

부록에서는 G(50, p)에서 각 클래스 25개 그래프, p0=0.5와 p1=0.52, k=1…9로 계산한 fidelity kernel과 survival-feature cosine similarity 행렬을 제시한다. 또 QSVT 실험은 G(40, p)에서 p0=0.58, p1=0.60, 클래스당 25개 그래프로 수행됐고, k=1…8에서 열 개의 polynomial filter를 비교했다. 이때 선택한 polynomial에 따라 성능 차이가 났으며, 일부 차원에서는 QSVT-fidelity와 QSVT-survival이 원래의 exponential encoding과 matrix-difference baseline보다 높은 정확도를 보였다. 논문은 이를 preliminary evidence로 제시하면서도, 높은 simplicial dimension에서는 Lk가 영행렬에 가까워질 수 있어 차원과 그래프 크기를 함께 봐야 한다고 덧붙였다.

검증 범위

비교 항목원문 수치·설정 · source_locator

기본 분류 설정clique-complex classification, stratified five-fold CV · Section IV.A, IV.B, IV.E

가장 쉬운 분류 쌍G(50, 0.60) vs. G(50, 0.70) · Section V.A, Figure 2

어려운 분류 쌍 1G(30, 0.78) vs. G(30, 0.80) · Section V.A, Figure 2

어려운 분류 쌍 2G(50, 0.69) vs. G(50, 0.70) · Section V.A, Figure 2

부록 유사도 행렬 데이터G(50, p), 클래스당 25개 그래프, p0 = 0.5 / p1 = 0.52, k = 1…9 · Appendix A, Fig. 6-7

베이스라인 커널KF_k(Xi, Xj) = exp(-γ ||Lk(Xi)-Lk(Xj)||_F^2), γ = 1/median · Section IV.D, Eq. (17)

자료: STORIUM 정리

이 프리프린트는 QTDE가 고전적 토폴로지 기술자의 직접 비교보다 더 많은 판별 정보를 담을 수 있다는 preliminary evidence를 제시하지만, 모든 차원과 모든 설정에서 일관된 우위를 주장하지는 않는다. 특히 hard panels에서는 quantum readouts와 classical baseline이 같은 0.5–0.7 구간에서 겹치며, 구분 가능성이 simplex dimension과 그래프 밀도에 크게 좌우된다고 적는다. 따라서 이 연구의 범위는 clique-complex 기반 벤치마크와 그에 대한 탐색적 비교로 한정해서 읽는 것이 맞다.