유효 차원이 양자 커널 비전 모델의 일반화 성능을 결정한다

최근의 양자 비전 모델—양자 비전 트랜스포머 (Quantum Vision Transformers) 및 양자 합성곱 신경망 (Quantum Convolutional Networks)—은 두 가지 놀랍지만 설명되지 않은 경험적 현상을 보고하고 있습니다: (i) 얽힘 (Entanglement)이 더 많거나 더 균일하게 분포된 안사츠 (ansatze)가 더 잘 일반화되며, (ii) 양자 노이즈 (Quantum noise)를 주입하는 것이 테스트 정확도를 저하시키기보다 오히려 향상시킬 수 있다는 점입니다. 이러한 관찰 결과들은 현재 그리드 탐색 (Grid search)을 통해 발견되어 수동으로 설명되거나, 혹은 아예 설명되지 않은 채 단순한 호기심의 대상으로 취급되고 있습니다. 본 연구에서는 이 두 현상이 모두 (노이즈가 형성된) 양자 특징 커널 (Quantum feature kernel)의 측정 가능한 단일 수치인 extit{유효 차원 (effective dimension)} $d_{\rm eff}$의 발현임을 보여줍니다. 커널 분류기에 의해 읽히는 양자 특징 맵 (Quantum feature map)인 양자 커널 비전 모델을 중심으로 작업하며, 우리는 얽힘 구조와 양자 노이즈가 $d_{\rm eff}$를 움직이는 두 가지 조절 장치(knobs)로 작용하는 스펙트럼적 설명을 제공합니다. 과적합 (Overfitting) 영역에서 $d_{\rm eff}$를 축소하는 것은 릿지 (Ridge) 형태의 규제 (Regularization) 역할을 합니다. 우리는 다음과 같은 메커니즘을 분석합니다: $d_{\rm eff}(K_p) \to 1$인 탈분극된 커널 (Depolarized kernel) $K_p=(1-p)^2K+\tfrac{p(2-p)}{D}\mathbf{1}\mathbf{1}^\top$의 extit{정확한 (exact)} 분해, 진폭 감쇠 (Amplitude damping)에 대한 수축 결과 (및 그 경계), 커널 머신 용량 경계 (Kernel-machine capacity bound), 그리고 용량/정렬 위험 분해 (Capacity/alignment risk decomposition). 우리의 얽힘 실험에서 작동하는 단조 수축 (Monotone contraction)은 경험적으로 검증되었으며, 일반적인 증명은 이루어지지 않았습니다. 단일 매개변수 탈분극 가족 (One-parameter depolarizing family)을 따라서는 붕괴가 구성에 의해 정확하게 일어납니다. 우리는 이를 $d_{\rm eff}$의 증거로 사용하지 않고, 커널 분해를 머신 정밀도(Machine precision)로 확인하고 최대 $12$ 큐비트(Qubits)까지 확인하는 용도로만 사용합니다. 진폭 감쇠는 $d_{\rm eff}$를 수축시키고 역 U자형 스위트 스팟 (Sweet spot)을 따라 테스트 정확도를 최대 $+13%$까지 높입니다; 이 효과의 부호는 과적합과 과소적합 (Under-fitting) 영역 사이에서 반전됩니다; 노이즈 주입은 명시적인 스펙트럼 필터링 (Spectral-filtering) 경계와 일치합니다. 우리의 결과는 보고된 두 가지 일화적 현상을 양자 비전 모델 설계를 위한 단일한 측정 가능한 원칙으로 체계화합니다.