Quantum Machine Learning Models for Graphs

Paper: Sauvage, F., Kalidindi, P., Rapp, F., & Larocca, M. (2026). Quantum machine learning models for graphs (arXiv:2607.00698). arXiv. https://arxiv.org/abs/2607.00698 · quant-ph 프리프린트, Larocca는 LANL LDRD 지원 명기(§VI).

Abstract: 고전 기하 기계학습(GML)은 등변(equivariant) 층을 체계적으로 설계·연구하면서 성숙했지만, 그 양자 판본인 기하 양자 기계학습(GQML)은 개별 제안들만 흩어져 있고 설계를 묶는 관점이 없었다. 이 논문은 그 공백을 메우려는 프레임워크(도구상자) 논문이다. n-노드 그래프를 n-큐빗 상태로 인코딩하는 한 가지 설정에 초점을 맞춰, 대칭군 S_n 아래 등변인 선형·비선형 사상 전체를 대칭화(twirling)의 궤도(orbit) 계산으로 특성화한다(Table 2). 이 특성화로 알려진 GQML 모델들(QAOA 포함)을 이 한 형식의 특수 사례로 되살리고, 같은 기계로 일반화하며, 고전 모델과의 자연스러운 결합과 고전 사전학습(pre-training) 전략까지 얻는다고 주장한다. 뒤의 두 이점은 두 개의 최소한의 수치 실험으로 예시된다. 이 글은 논문의 이론(도구상자)이 무엇을 어떻게 특성화하는지, 두 실험이 정확히 무엇을 보이는지, 그리고 초록의 표제 동사들("비용 없이 표현력 확장", "장벽 고원 완화", "알려진 모든 모델 통합")이 실제로 어디까지 뒷받침되는지를 나눠 읽는다.

---

Executive Summary

항목	설명
연구 질문	GQML 모델을 그래프 문제에서 원리적으로 설계할 방법이 없다. 흩어진 개별 제안들을 하나의 설계 이론으로 묶고, 서로 어떻게 관계되며 어떻게 일반화되는지 말할 수 있는가?(§I)
핵심 기여	n-노드 그래프 = n-큐빗 인코딩 설정에서 S_n-등변 선형 사상 \mathrm{Hom}_{S_n}(V,W) 전체를 특성화한 도구상자(Table 2). 핵심 기법은 대칭화가 기저를 궤도로 나누는 조합 문제로 붕괴한다는 관찰(식 16–19). 이로 알려진 모델을 특수 사례로 복원(QAOA·graph state·기존 GQML)하고 일반화하며, 고전 통합(§IV.3)과 고전 사전학습(§IV.5)을 제안.
실험 결과	(1) 비동형 그래프 구별(Table 3): 같은 측정 기저에서 관측가능량을 더 읽으면 QAOA 깊이가 L\in{2,3,4}에서 최소 L=1로 줄고, 추가 비용은 고전 후처리뿐. (2) 사전학습(Fig 4): 파라미터 수가 그래프 크기와 무관하다는 성질을 이용해 작은 그래프(n\in[8,12])에서 학습한 뒤 큰 그래프(n\le 20)에 이식, 출력 분산의 붕괴(집중)를 완화.
핵심 한계	이론·프레임워크 논문. 양자 이점 주장 없음, 하드웨어·엔드투엔드·실데이터 없음, 두 실험은 작은 n의 고전 시뮬레이션이고 shot noise를 끈 개념 증명. 표제 동사 셋은 각각 좁은 의미로만 실증되고 초록에서 부풀려진다. §V에서 저자들이 열린 문제를 정직하게 나열.

TL;DR

• GQML 도구상자는 n-노드 그래프를 n-큐빗 상태로 인코딩하는 설정에서 대칭군 S_n 아래 등변인 선형·비선형 사상 전체를 대칭화(twirling)의 궤도 계산으로 특성화하는 설계 프레임워크다.
• GQML 도구상자는 QAOA·graph state 등 알려진 모델을 이 형식의 특수 사례로 복원하고, 등변 사상 카탈로그(Table 2)와 크기 무관 파라미터 수(2-국소 생성자 공간 차원 E1=10·E2=49가 n과 무관한 상수)로 이들을 일반화·이식 가능하게 만든다.
• GQML 도구상자는 원리적 모델 설계와 고전 사전학습·결합 전략을 얻는 데 유용하지만, 이 논문은 양자 이점 주장 없이 n\le20 고전 시뮬레이션의 두 개념 증명만 제시하며 표제 주장(비용 없이 표현력 확장·장벽 고원 완화·모든 모델 통합)은 각각 좁은 의미로만 실증된다.

목차

1. 서론
2. 배경: 기하학적 (양자) 기계학습과 대칭군
3. 도구상자: 등변 사상의 특성화
4. 모델: 인코딩·불변/등변 모델·고전 통합
5. 수치 실험
6. 주의해서 읽을 점
7. 결론

---

1. 서론

1.1 배경과 문제

논문의 출발점은 고전과 양자 기하 기계학습 사이의 성숙도 격차다. 초록의 첫 문장이 그대로 진단이다. 고전 GML은 "새로운 등변 신경망의 철저한 연구와 설계"로 성공을 거뒀지만, GQML은 "그런 상세한 이해가 없고, 이미 여러 제안이 있음에도 설계를 묶는 통일된 관점이 여전히 없다"(초록). 서론은 이를 더 날카롭게 벼린다. GML의 성공은 "등변 층의 포괄적 연구와 설계"에서 왔는데(§I) GQML의 설계는 "대체로 미탐색"이라는 것이다. 문제는 제안이 없다는 것이 아니라 흩어져 있고 축적되지 않는다는 것이다. "이미 여러 연구가 GQML로 그래프 문제를 다뤘지만, 서로 어떻게 관계되는지, 근본 설계 원리가 무엇인지, 궁극적으로 어떻게 일반화되는지가 불분명하다"(§I). 그래서 논문이 겨냥하는 공백은 개별 모델의 부족이 아니라 설계 이론(도구상자)의 부재다.

그래프를 고른 이유는 두 가지로, 둘 다 §I에 있다. 첫째, 그래프는 어렵고 열린 ML 영역이다. "그래프 신경망(GNN)의 잘 문서화된 한계"—1-Weisfeiler-Leman 검사를 넘지 못하는 표현력 상한([52] Xu et al.의 GIN, [35] Morris et al.), over-squashing 같은 병목([4] Alon & Yahav)—가 있다(§I). 둘째, 그래프는 구조가 풍부해 대칭을 활용하기 좋은 무대다. 노드를 다시 붙여도(재라벨링) 그래프 문제의 답이 바뀌지 않거나(불변) 정해진 방식으로만 바뀐다(등변)는 성질, 즉 대칭군 S_n 아래의 대칭이 그것이다. 고전 GNN에는 한계가 이미 문서화되어 있으므로, "GQML 모델의 한계를 규명하면 새 아키텍처 설계를 이끌 수 있다"(§V)는 로드맵을 그대로 모방할 수 있다는 것이 논리다.

1.2 학술적 위치

이 논문은 저자들(특히 Sauvage와 Larocca) 자신의 등변 양자 신경망 프로그램의 연장선에 있다. 그들은 group-invariant QML([25]), 등변 QNN 이론([36]), 순열 등변 QNN의 이론적 보장([43]), 대칭이 있는 classical shadows([41]) 등 자신들의 선행 연구를 인용하며 그 위에 쌓는다. 다만 §I이 GQML의 "토대"로 묶어 인용하는 무리([25, 32, 53, 50, 27]) 자체가 저자 그룹의 것만은 아니다. 그 안에서 저자 그룹은 [25]뿐이고 [32]는 Eisert 그룹, 나머지는 또 다른 그룹들이다(논문 외 확인). 즉 "저자들의 프로그램의 연장"이라는 위치는 맞지만, 분야의 토대가 저자 그룹으로 채워져 있다는 인상은 정확하지 않다.

고전 쪽 닻은 Maron et al.([28], 불변·등변 그래프 네트워크)과 Pearce-Crump([37])다. 뒤에서 보듯 이 논문의 고전 부분 결과는 이들이 이미 찾은 S_n-등변 선형 사상(벨 수 계열)을 그대로 복원한다. 양자 쪽에서 되풀이되는 구체적 닻은 QAOA([17] Farhi et al. 2014)다. 논문은 QAOA 회로의 생성자 쌍이 자기 도구상자의 등변 사상으로 정확히 재유도된다는 것을 보이고(§III.2.2), QAOA 상태를 자기 인코딩의 특수 사례로 둔다(§IV.1). 이 다리로 QAOA의 파라미터 집중·전이 결과([2, 12]와 여러 전이 기법)를 사전학습 이야기에 그대로 끌어온다. 대칭 프로그램 전체가 겨냥하는 상대는 장벽 고원(barren plateau), 즉 QML 훈련성의 핵심 장애물이다([30] McClean et al. 2018 원전, [26] Larocca et al. 2025 리뷰).

논문이 스스로 내세우는 기여는 도구상자와 그로부터 나오는 네 이점이다(초록·§I). (1) 구성 사상들의 포괄적 특성화(도구상자), (2) 알려진 모델의 복원·일반화("때로 비용 없이 표현력 확장"), (3) 고전 모델과의 자연스러운 결합, (4) 양자 장치의 훈련 부담을 줄이고 출력 집중을 완화하는 고전 사전학습. 이 중 실험이 뒷받침하는 것은 (2)와 (4)뿐이다("뒤의 두 특징이 전용 수치 실험으로 예시된다", 초록).

그림 1 — 원논문 Figure 1: 도구상자 개요. 등변 선형·비선형 사상의 특성화(a)로 n-노드 그래프를 n-큐빗 상태로 인코딩하고 불변/등변 측정을 식별한다. 이 도구로 알려진 모델을 복원하고(b), 새 모델을 찾으며, 기존 모델을 비용 없이 더 표현력 있게 만들고(c), 특징 확장(feature augmentation)으로 고전 모델과 결합하고(d), 큰 그래프로 넘어갈 때의 고전 사전학습(e)을 얻는다.

2. 배경: 기하학적 (양자) 기계학습과 대칭군

원논문 §II에 해당한다.

2.1 등변성과 "왜 양자에서 대칭인가"

"기하학적"의 기술적 내용은 대칭을 지키는 사상이다. 정의 1(등변성): 대칭군 G가 \mathcal{X}와 \mathcal{Y}에 작용할 때, 사상 f:\mathcal{X}\to\mathcal{Y}가 모든 g,x에 대해 f(g\cdot x)=g\cdot f(x)(식 2)를 만족하면 등변, \mathcal{Y} 위 작용이 자명해 f(g\cdot x)=f(x)이면 불변이다. 두 가지 미묘한 점을 강조한다. \mathcal{X}와 \mathcal{Y} 위의 군 작용이 서로 다를 수 있다는 것, 그리고 이 정의가 파라미터화된 사상 f_\theta로도 확장되어 "임의의 \theta 값에서" 식 2가 성립해야 한다는 것이다. 이 둘째 조건 덕에 등변성은 데이터로 학습되는 성질이 아니라 모든 층에 걸린 하드 아키텍처 제약이 된다. 모델을 등변으로 짓는 방법은 구성적이다. 합성 h_\theta=\Lambda^M_\theta\circ\cdots\circ\Lambda^1_\theta(식 1)의 중간 사상을 모두 등변으로, 마지막을 등변(또는 불변)으로 요구하면 된다(§II.1).

대칭이 왜 하필 양자에서 중요한가가 "왜 양자냐"의 핵심 논거다. 일반적 이득은 모든 ML에 공통이다. 대칭을 강제하면 "탐색 공간을 관련 함수의 부분집합으로 줄여 훈련과 일반화를 쉽게 한다"(§II.1). 양자 고유의 절박함은 훈련성이다. §I의 첫 문장은 QML의 확장성이 "훈련성 문제로 제한된다"고 하고, §II.1은 "특히 훈련성 문제에 시달리는 QML에서 바람직하다"고 못박는다. 지목된 실패 양식이 장벽 고원이다. 초록의 세 번째 이점 "고전 사전학습"이 §I에서 "모델 출력의 집중, 즉 장벽 고원 문제를 개선"하는 것과 직접 연결된다. 즉 여기서 대칭은 귀납 편향의 미덕에 그치지 않고, QML 확장성의 정의적 장애를 부분적으로나마 푸는 답으로 나온다.

정의 2(템플릿 QML 모델): QML 모델 q:\mathcal{X}\to\mathbb{R}은 데이터 인코딩 x\mapsto\rho_\alpha(x), 파라미터 회로 U_\theta, 관측가능량 O의 셋으로 이뤄지고, O_\theta=U_\theta^\dagger O U_\theta에 대해

를 출력한다. 논문은 곧바로 이 식을 엔드투엔드로 쓰는 관점을 거부한다. "그런 모델이 과제를 통째로 풀기를 기대하는 것은 역효과다. 고전 ML이 이미 많은 과제에서 놀랍도록 정확하다. 오히려 양자 부품(식 3 같은)은 더 크고 대체로 고전적인 모델의 일부로 보는 편이 합리적이다"(§II.2). 이 하이브리드 입장은 곁말이 아니라 §IV.3의 특징 확장 결합과 §IV.5의 고전 사전학습을 낳는 위치 선정이다. GQML은 그 위에서 조작적으로 정의된다. "QML 모델이 정의 1의 GML 원칙을 만족할 때 GQML이라 부른다"(§II.2).

이어 등변 사상들의 계층을 도입한다. 정의 3(등변 선형 사상): \Gamma\in\mathrm{Hom}(V,W)가 모든 g에 대해 R_W(g)\Gamma R_V(g)^\dagger=\Gamma(식 4)이면 등변이고, 그 공간을 \mathrm{Hom}_G(V,W)로 쓴다. 정의 4(대칭·등변 관측가능량): 입력에 의존하지 않는 O가 R_q(g)OR_q(g)^\dagger=O\Leftrightarrow[O,R_q(g)]=0(식 5)이면 대칭, 입력 x에 의존하는 O(x)가 O(g\cdot x)=R_q(g)O(x)R_q(g)^\dagger(식 6)이면 등변이다. 논문은 동형 \mathcal{B}\cong\mathrm{Hom}(\mathbb{R},\mathcal{B})으로 둘을 한 지붕 아래 묶는다. 대칭 관측가능량은 입력 공간이 1차원 \mathbb{R}인 등변 사상, 등변 관측가능량은 입력 공간이 그래프인 등변 사상으로, 둘 다 \mathrm{Hom}_G(V,\mathcal{B})의 원소다. 정의 5는 이를 아핀(affine) 사상으로 확장한다(선형항 + 상수항 각각 등변).

2.2 그래프와 대칭군의 무대 설정

논문 전체를 관통하는 한 가지 제약이 §II.3에 못박힌다. 노드 수와 같은 수의 큐빗에 작용하는 모델만 다룬다. n-노드 그래프는 n-큐빗 상태로 인코딩된다(§II.3). 그래프 x는 인접행렬 x\in\mathbb{R}^{n\times n}으로 보고, 특징이 있으면 x\in\mathbb{R}^{n\times n\times F}다(별도 언급이 없으면 특징 없는 그래프를 뜻한다). 대칭군 S_n은 인덱스 [n] 위의 n!개 순열이다. 논문은 S_n의 m-추이성(임의의 서로 다른 m-쌍을 다른 m-쌍으로 보내는 순열이 존재)과, 임의의 순열을 n-1개 전치(transposition)의 곱으로 재귀 분해하는 사실을 준비물로 꺼내 둔다. 뒤의 궤도 계산에서 쓰인다. 조합론 개념도 미리 도입한다. k개 인덱스를 부분집합으로 나누는 방법 수가 벨 수 b(k), k개를 k'개의 비어 있지 않은 부분집합으로 나누는 수가 제2종 스털링 수 {k \brace k'}다.

S_n은 고전 공간과 양자 공간 양쪽에 작용한다(Fig 2). 고전 쪽에서는 order-k 텐서 T\in\mathbb{R}^{n^k}에 [\sigma\cdot T]{i_1,\dots,i_k}=[T]{\sigma^{-1}(i_1),\dots,\sigma^{-1}(i_k)}(식 8)로 작용하고, 기저로는 좌표 하나만 1인 초등 텐서 |\vec{i},\rangle!\rangle를 쓴다. 핵심은 순열이 초등 텐서 하나를 다른 초등 텐서 하나로 보낸다는 것이다(식 10). 양자 쪽에서는 n-큐빗 관측가능량 공간 \mathcal{B}의 기저로 파울리 문자열 P_{\vec{o}}=P_{o_1}\otimes\cdots\otimes P_{o_n}(P_o\in{X,Y,Z,I})을 쓰고, 순열은 파울리들이 놓인 큐빗을 재배치한다(식 14). 여기서도 순열은 파울리 문자열 하나를 다른 문자열 하나로 보낸다. 이 "기저를 기저로 보낸다"는 성질이 3장의 전부를 떠받친다.

그림 2 — 원논문 Figure 2: S_n이 고전(order-k 텐서)과 양자(연산자) 공간에 작용하는 방식 요약. 각 공간의 기저와 순열의 작용을 형식과 시각적 예로 함께 보인다. 왼쪽 고전 축의 기저는 초등 텐서, 오른쪽 양자 축의 기저는 파울리 문자열이며, 두 축 모두에서 순열은 기저 원소를 다른 기저 원소로 옮긴다.

3. 도구상자: 등변 사상의 특성화

원논문 §III에 해당한다. 이 장이 논문의 척추다.

3.1 대칭화(twirling)와 핵심 트릭

등변 선형 사상(정의 3)은 임의의 선형 사상 \Gamma를 군 위에서 평균 내어 만들 수 있다. **대칭화(twirl)**는

이고, 두 성질을 갖는다. 임의의 \Gamma에 대해 \mathcal{T}(\Gamma)는 항상 등변이며, \mathcal{T}는 등변 부분공간 \mathrm{Hom}_{S_n}(V,W) 위로의 직교 사영이다([19] Fulton & Harris). 사영이므로, \mathrm{Hom}(V,W)의 기저 전체를 대칭화하면 그 상(image)이 목표 부분공간을 생성한다(식 17). 논문은 이 대칭화가 QML에서 대칭 연산자(V=W)의 경우에 쓰인 적이 있다고 밝힌다([32]); 여기서는 V\neq W의 일반 경우로 같은 기계를 돌린다(다만 "V\neq W 일반화가 이 논문의 기여"라고 명시적으로 규정하지는 않는다 — 논문 외 해석).

문제는 이 절차가 일반적으로 다루기 어렵다는 것이다(§III.1.1). 트월 하나가 n!개 항의 합이고, 식 17은 \mathrm{Hom}(V,W)의 기저 원소마다, 즉 \dim(V)\cdot\dim(W)번 그 트월을 요구하며, 결과로 나온 사상들이 직교가 아니어서 과완비(overcomplete) 기저가 된다(파라미터화가 중복된다).

이 절차를 살리는 것이 핵심 트릭이다(§III.1.1, Fig 3). 앞서 본 대로 초등 텐서 기저(식 10)와 파울리 문자열 기저(식 14)는 S_n 작용 아래 닫혀 있다. 기저 원소가 선형 결합이 아니라 또 다른 기저 원소 하나로 간다. 그러면 rank-1 기저 사상 |w\rangle!\langle v|도 순열 아래 서로 뒤섞일 뿐이므로, 기저 전체가 **궤도(동치류)**로 갈라진다.

한 원소의 트월은 상수배를 빼면 자기 궤도 위의 균일 평균이고, 평균은 궤도 위에서 일정하므로 n! 합이 궤도 개수만큼의 서로 다른 합으로 붕괴한다. 따라서 등변 공간의 기저는 정규화하지 않은 궤도 합들이다.

이득이 둘이다. 서로 다른 궤도는 직교하는 기저 원소들의 분리된 집합이므로 궤도 합들이 직교한다(과완비 문제 해소). 그리고 문제가 순수한 조합론으로 줄어든다. "직교 기저를 찾는 것은 동치류 전부(또는 각 류의 대표 하나)를 식별하는 것"으로 끝난다. 요컨대 \dim\mathrm{Hom}{S_n}(V,W) = B{V,W} 위 S_n-궤도의 개수이고, 뒤의 Table 2의 모든 차원은 문자 그대로 궤도 수를 센 것이다.

그림 3 — 원논문 Figure 3: (a) \mathrm{Hom}(V,W)의 기저 전체를 대칭화하면 등변 사상 공간을 생성한다. (b) 일반적으로는 확장성이 없지만, 기저가 군 작용 아래 닫혀 있으면(모든 기저 원소가 작용으로 다른 기저 원소로 감) 다루기 쉬워진다. 이 논문의 S_n 기저 선택이 그 경우이며, 이 전략으로 모델에 필요한 등변 선형 사상 전부를 식별한다.

3.2 선형 등변 사상 (Table 2)

궤도 계산기를 실제로 돌린 결과가 Table 2다. 먼저 고전 공간부터다(§III.2.1). V=W=\mathbb{R}^{n\times n}일 때 인덱스가 넷이므로 궤도는 네 기호의 분할 전부, 즉 15개다. 예로 {{i_1,i_4},{i_2,i_3}}류는 입력 행렬의 비대각을 전치하고 대각을 지우는 사상을 준다(식 25). 일반적으로 V=\mathbb{R}^{n^k},W=\mathbb{R}^{n^{k'}}이면 궤도 수는 k+k'개 기호의 분할 수, 즉 **벨 수 b(k+k')**다(Table 2의 G1). 논문은 이 사상들이 이미 Maron et al.([28])과 Pearce-Crump([37])에서 식별된 것이고 [28]이 GNN에서의 이점을 보였다고 명시한다(§III.2.1). 즉 고전 부분은 새 결과가 아니라 기존 결과의 복원이며, 논문의 주장은 같은 명시적 대칭화가 고전↔양자 사상으로 그대로 확장된다는 데 있다.

양자 공간에서는 궤도 엔진이 파울리 문자열 위를 달린다(§III.2.2). 중심 개념은 파울리 문자열의 조성(composition) \vec{k}=[k_x,k_y,k_z,k_i](각 파울리의 개수)다. 두 파울리 문자열은 조성이 같을 때만 순열로 서로 옮겨진다. 그래서 V=\mathcal{B},W=\mathbb{R}일 때 궤도는 |\vec{k}|_1=n인 유효 조성 \vec{k}\vdash n으로 라벨되고, 각 궤도가 하나의 대칭 관측가능량을 준다.

곧 같은 조성을 가진 파울리 문자열 전부의 합이다. 이런 대칭 관측가능량의 수는 유효 조성의 수, 즉 **사면체 수(Tetrahedral) \mathrm{Te}(n+1)\in\mathcal{O}(n^3)**다. 이들은 선행 연구([49, 43, 5, 41])에도 나온다. 대표 예가 S_X=\sum_i X_i,\ S_Y=\sum_i Y_i,\ S_Z=\sum_i Z_i(식 29)다.

관측가능량의 벡터·행렬로 가면 더 풍부해진다. V=\mathcal{B},W=\mathbb{R}^n이면 첫 큐빗의 파울리 P와 나머지 n-1큐빗 위의 조성 \vec{k}\vdash(n-1)의 쌍으로 궤도가 라벨되어 4\times\mathrm{Te}(n)개이고, 대표적으로 A_j=Z_j(식 31)를 얻는다. W=\mathbb{R}^{n\times n}이면 비대각 궤도가 두 파울리와 조성의 삼중항 (P_1,P_2,\vec{k}\vdash(n-2))으로 라벨되어 4^2\times\mathrm{Te}(n-1)개이고, 대표적으로 A_{i,j\neq i}=Z_iZ_j(식 33)를 얻는다. 방향을 뒤집어 그래프에서 관측가능량으로 가는 사상(V=\mathbb{R}^{n\times n},W=\mathcal{B})에서는 이 식 33이 표제 대상이 된다.

곧 그래프를 이징(Ising) ZZ 항들의 가중합으로 보내는 사상이다. 논문은 이 식 35가 S_X(식 29)와 함께 정확히 QAOA 회로의 생성자임을 짚는다(§III.2.2). 도구상자가 QAOA 생성자 쌍 {H_{ZZ}(x),S_X}를 각각 (\mathbb{R}^{n\times n}\to\mathcal{B})와 (\mathbb{R}\to\mathcal{B})의 등변 사상으로 재유도하는 셈이다.

일반 경우와 특수화를 합쳐 Table 2가 완성된다. 표의 각 행은 (입력 V, 출력 W, 등변 공간의 차원, 용도)를 준다. 검증 팀이 표의 모든 셀을 원문에서 재확인하고 특수화 차원을 손으로 재유도해 일치를 확인했다(논문 외 계산).

라벨	V	W	차원 \dim\mathrm{Hom}_{S_n}(V,W)	용도
G1	\mathbb{R}^{n^k}	\mathbb{R}^{n^{k'}}	b(k+k') (벨)	GNN의 일반 등변 층 [28]
G2	\mathcal{B}	\mathbb{R}^{n^k}	\sum_{k'=1}^{k}{k \brace k'},4^{k'},\mathrm{Te}(n+1-k') (스털링·사면체)	그래프 GQML의 일반 인코딩·측정
M1	\mathbb{R}	\mathcal{B}_{{I,Z}}	n+1	Z-기저 입력 독립 관측가능량
M2	\mathbb{R}^{n\times n}	\mathcal{B}_{{I,Z}}	6n-4	Z-기저 입력 의존 관측가능량
M3	\mathcal{B}_{{I,Z}}	\mathbb{R}^n	2n	Z-기저 측정(관측가능량 벡터)
E1	\mathbb{R}	\mathcal{B}_{l\le2}	10	국소성 l\le2 입력 독립 생성자
E2	\mathbb{R}^{n\times n}	\mathcal{B}_{l\le2}	49	국소성 l\le2 입력 의존 생성자

3.3 특수화: 구현 비용을 위한 제한

고전 ML에서는 같은 (V,W)의 등변 사상이 대체로 비슷한 구현 비용이지만, QML에서는 사상마다 비용이 크게 다르다(§III.2.3). 그래서 논문은 두 자연스러운 부분공간으로 제한한다. \mathcal{B}_{{I,Z}}({I,Z}만으로 된 파울리 문자열)는 전부 계산 기저에서 동시에 대각이므로 한 기저에서 측정할 수 있어 표본 오버헤드가 낮다(행 M1–M3). \mathcal{B}_{l\le2}(\le2-국소 파울리 문자열)는 생성자를 지수화해 게이트를 만들 때 더 값싸다(행 E1–E2). 결정적으로 두 제한 공간 모두 순열 아래 여전히 닫혀 있고 파울리 문자열의 부분집합을 기저로 가지므로, §III.1의 궤도 기계가 그대로 적용된다. 그래서 특수화가 공짜다.

차원의 규모 대비가 이 절의 요점이다. 제한 없는 양자 공간은 \mathrm{Te}(n+1)=\mathcal{O}(n^3)로 자라고, \mathcal{B}{{I,Z}}의 M-행은 \mathcal{O}(n)이며, \mathcal{B}{l\le2}의 E-행은 상수다(E1=10, E2=49). 이 크기 무관 상수성이 뒤 5.2절 사전학습이 딛고 서는 구조적 사실이다.

3.4 비선형 등변 사상

비선형 쪽은 훨씬 단순하다(§III.3). 고전에서 등변 비선형성은 텐서 각 원소에 함수 f:\mathbb{R}\to\mathbb{R}를 적용하는 원소별 연산이다. 양자 판본은 행렬 함수다. 관측가능량 A=\sum_i\lambda_i|\lambda_i\rangle\langle\lambda_i|에 대해 f_{\mathrm{mat}}(A)=\sum_i f(\lambda_i)|\lambda_i\rangle\langle\lambda_i|로 확장하면

즉 임의의 행렬 함수는 자동으로 등변이고, 이는 S_n뿐 아니라 어떤 대칭군에서도 성립한다(유니터리 켤레는 고유벡터를 회전시키되 고유값은 그대로 두므로 스펙트럼 함수와 교환된다). 다만 논문은 유니터리로 구현되는 **지수화 A\mapsto\exp(-iA)**로 한정한다. 다른 비선형성은 양자 신호 처리(QSVT [29])로 가능하다고만 언급하고 다루지 않는다. 그래서 이 논문의 모델에서 유일한 비선형성은 인코딩 회로이고 판독(readout)은 선형이다.

4. 모델: 인코딩·불변/등변 모델·고전 통합

원논문 §IV.1–IV.3에 해당한다.

4.1 등변 인코딩

등변성은 합성과 곱 아래 보존된다. 생성자 H_\theta(x)가 등변이면 U(x)=\exp(-iH_\theta(x))도 등변이고(식 38), 등변 유니터리의 곱도 등변이다(식 39). 이로 인코딩을 정의한다. 정의 7(등변 그래프 인코딩): S_n 아래 불변인 순수 초기 상태 |\psi_0\rangle(R_q(\sigma)|\psi_0\rangle=|\psi_0\rangle)와 등변 아핀 생성자들 H^{(l)}_\theta(x)에 대해

그러면 \rho_\theta(\sigma\cdot x)=R_q(\sigma)\rho_\theta(x)R_q(\sigma)^\dagger로 인코딩 자체는 (불변이 아니라) 등변이다. 모델이 불변이 되는 것은 뒤에서 등변 관측가능량과 짝지어질 때다. 허용되는 초기 상태 |\psi_0\rangle은 Dicke 상태의 선형 결합(|0\rangle^{\otimes n}, |+\rangle^{\otimes n} 포함)으로, Dicke 상태가 순열 대칭 부분공간을 생성하므로 이는 예시가 아니라 허용 초기 상태의 완전한 특성화다.

두 유명한 모델이 특수 사례로 떨어진다. QAOA 상태가 바로 식 40의 꼴이다.

생성자가 S_X(식 29)와 H_{ZZ}(x)(식 35)다. 논문은 "등변 그래프 인코딩이 변분 양자 알고리즘의 시초까지 거슬러 올라간다"고 말한다(§IV.1). Graph state([21])도 생성자 S_Z를 더한 특정 파라미터 선택으로 복원된다. 그리고 새 인코딩은 Table 2의 새 대칭·등변 관측가능량에서 나오는데, 중요한 것은 이것이 2-체(2-body) 생성자로 제한해도(E1/E2 행) 성립한다는 점이다. 즉 하드웨어에 그럴듯한 저국소성 영역을 벗어나지 않고 QAOA·graph state 인코딩을 확장한다. 정의 7은 아날로그 양자 컴퓨팅으로도 확장된다(식 42, 시간 의존 제어장 f^{(l)}(t)).

4.2 불변·등변 모델과 "모든 모델 통합" 주장

정의 8(불변 모델): 등변 인코딩 \rho_\theta(x)와 아핀 등변 관측가능량 사상 O_\alpha(x)에 대해 q_{\alpha,\theta}(x)=\mathrm{Tr}[O_\alpha(x)\rho_\theta(x)](식 43). 인코딩과 관측가능량의 두 켤레가 트레이스 안에서 상쇄되어 불변이 된다. 정의 9(등변 모델): order-k 등변 관측가능량 텐서 \mathbf{A}\alpha에 대해 q{\alpha,\theta}(x)=\mathbf{A}\alpha[\rho\theta(x)](식 44). 출력이 \mathbb{R}^{n^k}의 텐서로, q(\sigma\cdot x)=\sigma\cdot\mathbf{A}\alpha[\rho\theta(x)]로 진짜 등변이다.

여기서 논문의 큰 주장이 나온다. 정의 8은 "우리가 아는 한 문헌의 모든 불변 모델을 포괄"하고(대칭 관측가능량 [33, 43]과 등변 관측가능량 [47]), 정의 9는 "우리가 아는 한 모든 알려진 모델을 포착"한다(k=1 벡터 [31, 45, 3], 때때로 k=2 행렬 [48]). 다만 곧바로 덧붙인다. 이 선행 모델들은 모두 "관측가능량 벡터나 행렬의 가장 단순한 선택만(식 31, 33 같은) 썼다". 그러니 여기서 "통합"이 뜻하는 바를 정확히 봐야 한다(§IV.2). 템플릿 \mathrm{Tr}[O(x)\rho(x)] 자체는 새것이 아니고, 기여는 (i) 모든 선행 모델을 이 템플릿의 특정 등변 사상으로 알아보는 것과 (ii) 그 사상 전체를 Table 2로 완비하는 것이다. 즉 통합 = "같은 함수 형식 + 사상 카탈로그", 일반화 = "손으로 고른 관측가능량 하나를 등변 공간 전체로 교체". 이것은 정리(theorem)가 아니라 정의적 우산이다. 이 점은 6.4절에서 다시 본다.

4.3 양자–고전 통합: 특징 확장

§II.2의 하이브리드 입장이 여기서 구체화된다(§IV.3). QML 블록을 엔드투엔드 해결자가 아니라 대체로 고전적인 GML 파이프라인의 전용 부품으로 쓰자는 것이다. 통합 기제는 **특징 확장(data extension)**이다. QML 모델이 불변/등변 특징을 내놓으면 그것을 그래프에 덧붙여 고전 GNN이 처리한다. 등변성은 덧붙인 특징이 그래프와 같은 방식으로 변환되므로 보존된다. k=2이면 q(x)\in\mathbb{R}^{n\times n}를 새 특징 차원으로 붙여 \tilde{x}\in\mathbb{R}^{n\times n\times2}를 만들고(\tilde{x}(\sigma\cdot x)=\sigma\cdot\tilde{x}(x)), k=1이면 대각만, k=0이면 스칼라를 방송한다. 논문은 이를 GNN 특징 확장([11, 39], "GNN 한계 극복의 흔한 관행")의 양자 유사물로 명시한다. 다만 §IV.3은 개념 스케치이고 실험이 없다.

5. 수치 실험

논문은 두 실험을 "최소한의(minimal)"·"전용(dedicated)" 개념 증명으로 부른다. 초록의 표현대로 뒤의 두 이점(표현력 확장, 사전학습)만 예시한다.

5.1 표현력 증대: 비동형 그래프 구별 (§IV.4)

첫 실험은 Szegedy([47])의 과제를 다시 본다. QAOA로 비동형 그래프를 구별하는 것이다. [47]의 모델은 QAOA 인코딩(식 41)과 Z-대각 등변 관측가능량(본문은 식 33, Table 3 캡션은 그것을 그래프와 축약한 식 35를 가리킨다 — 같은 대상)으로 이뤄진 불변 모델 q:\mathbb{R}^{n\times n}\to\mathbb{R}이다. q가 그래프 불변이므로 q(x)\neq q(x')이면 두 그래프는 비동형이다(역은 성립하지 않는다).

"공짜 점심" 논거는 이렇다(§IV.4). 선행 모델은 계산 기저에서 대각인 관측가능량을 단 하나만 읽었지만, Table 2에 따르면 같은 측정 기저(곧 같은 측정 데이터)로 훨씬 많은 선형 독립 불변 관측가능량을 추정할 수 있다(M1–M3의 차원만큼). 나머지를 읽는 비용은 같은 표본을 고전적으로 후처리하는 것뿐이다. 그래서 "비용 없이 엄밀히 더 표현력 있게" 만들 수 있다는 것이다. Table 3이 이를 검증한다. 모든 비동형 쌍을 구별하는 데 필요한 최소 QAOA 깊이 L이다.

그래프 족	노드	그래프 수	관측가능량 하나 ([47])	관측가능량 여럿 (M1–M2)
Miyazaki	20	2	3	1
Praust	20	2	3	1
3-정규(3-regular)	16	4060	4	1
3-정규	18	41301	4	1
강정규(SRG 26,10,3,4)	26	10	2	1

관측가능량 하나로는 한 층으로 절대 부족하고 L\in{2,3,4}가 필요하지만, M1–M2의 호환 관측가능량을 더하면 불변성을 유지한 채 모든 족이 최소 L=1로 준다. 다만 논문 스스로 두 단서를 단다(저자 자인). 이것은 그래프 동형 문제를 푸는 것이 아니다. "구별하기 어려운 아주 작은 부분집합만" 다뤘다. 그리고 shot noise가 없다. 기댓값이 수치적 정밀도까지 정확하다고 가정했다. L=1 충분성은 정확 기댓값에서의 진술이다.

5.2 고전 사전학습 (§IV.5)

두 번째 실험을 가능케 하는 구조적 사실이 앞의 상수성이다. Table 2의 사상들은 크기 무관이라(예: 식 35는 어떤 n에도 적용된다) 정의 8/9 모델의 파라미터 수가 그래프 크기와 무관하다(§IV.5). "일반적인 QML 모델과 대비되는" 이 성질이 파라미터 전이를 애초에 말이 되게 한다. 덕분에 QAOA의 확장 도구 전부—파라미터 전이·집중([2, 12])과 여러 훈련 기법—를 수입할 수 있다. 그중 고전 사전학습에 집중한다. 작은 그래프에서 고전적으로 학습한 파라미터를 큰 그래프의 추론에, 또는 양자 장치 위 추가 학습의 초기값으로 쓴다.

과제는 트리 대 순환(cyclic) 그래프의 이진 분류다. 순환 그래프는 파라미터 p=0.3의 Erdős–Rényi 분포에서 뽑되 트리가 아닌 것으로, 임의 크기로 즉석 생성할 수 있고 같은 그래프가 두 번 나올 확률이 n에 대해 지수적으로 준다. 인코딩(식 45)은 L=10층, 각 층이 S_X,S_Z,S_X,H_{ZZ}(x)의 넷으로 생성되어 총 40개 회로 파라미터(n 무관)다. 출력은 두 관측가능량(식 46)이다.

|x|_1과 n으로 나눈 것은 연산자 노름을 \mathcal{O}(1)로 맞추기 위한 것이고, 전역 불변량이라 등변성을 해치지 않는다(각주 7). 이 두 특징을 선형 SVM에 넣어 초평면 2개 파라미터를 더한다. n\in[8,12]의 그래프 40개로 학습해 85% 정확도를 얻고, 더 작은 n\in[6,7]과 더 큰 n\in[13,20]에 적용한다(각 n·클래스마다 50개 그래프).

그림 4 — 원논문 Figure 4: 고전 사전학습. (a) 학습 크기(n=8–12)보다 큰 그래프(n=14–20)에서, 사전학습 모델(오른쪽)의 출력은 두 클래스를 뚜렷이 가르지만 무작위 초기화 모델(왼쪽)의 출력은 0 근처로 집중해 겹친다. (b) 두 관측가능량 O_1,O_2의 출력 분산을 n\in[6,20]에서 비교. 무작위 초기화(연두)는 분산이 n에 지수적으로 감소하는 집중 현상을 보이고, 사전학습(보라)은 분산이 안정적으로 유지되며 최대 크기에서 2자릿수 이상 크다.

읽는 법을 정확히 해두면, 이 실험이 보이는 것은 정확도 전이가 아니라 집중 완화다. 무작위 초기화의 출력 분산은 n에 대해 지수적으로 붕괴하는데(장벽 고원의 서명), 사전학습된 파라미터는 큰 n에서도 출력을 무너뜨리지 않는다. n\le20의 통제된 장난감 위 실증이며, 이는 초록이 예고한 "최소한의 수치 연구"와 일치한다.

5.3 저자들이 열어 둔 것 (§V)

§V는 이 논문이 최소한의 수치를 가진 프레임워크 논문임을 분명히 하고("수치 실험은 제한적", "엔드투엔드 연구·구현은 향후 과제"), 열린 문제를 나열한다. (1) 엔드투엔드 실증 없음, 커뮤니티 데이터셋([34] TUDataset) 적용은 향후. (2) 고전 시뮬레이션을 넘는 양자 효용은 "확인되지 않았다". (3) 그 전제인 "탐색한 것보다 큰 규모에서 출력이 소멸하지 않음"이 아직 증명되지 않았고, 이것이 "사전학습의 실행 가능성을 시험할 것"이다(사전학습 실험 자체에 대한 직접 유보). (4) 표현력 이론이 열려 있다. "제안한 모델 족이 무엇을 계산할 수 있는지 이해하는 것이 관건". (5) 대칭화가 S_n에는 잘 맞았지만 다른 군에서도 실용적일지는 미지수. (6) n-큐빗 인코딩을 넘어 n^2큐빗이나 다중 복사본 인코딩이 있고, 후자는 표본 복잡도의 지수적 분리의 원천일 수 있다([1, 22]). (7) 지수화를 넘는 비선형성(QSVT [29]).

6. 주의해서 읽을 점

이론(Table 2 + 궤도 대칭화)은 옳고 유용하며 알맞게 새롭다. 문제는 표제 동사의 폭과 두 장난감 실험이 실제로 허가하는 것 사이의 간극이다.

6.1 무엇이 실증되었나 vs 주장되었나

먼저 부정형부터 못박아 둔다. 이것들이 나머지 전부를 가둔다. 양자 이점 주장이 없다(§V이 "고전 계산을 넘는 규모에서의 효용은 확인되지 않았다"고 자인). 하드웨어도 shot noise도 없다(§IV.4는 정확 기댓값, §IV.5는 n\le20 고전 시뮬레이션). 엔드투엔드 과제도, 고전 GNN 베이스라인도, 실데이터도 없다(데이터셋은 향후 과제로 명명). 두 실험은 그래프 동형식 구별기(§IV.4)와 거의 자명한 이진 분류기(§IV.5)이고, 제목의 "기계학습 모델"은 그 얇은 의미에서만 실행된다. 이론은 건전하다. 간극은 프레임 동사의 폭("모든 것을 통합", "더 표현력", "장벽 고원 완화")과 두 실험이 허가하는 것 사이에 있다.

6.2 "비용 없이 표현력 확장"

초록은 "비용 없이 표현력 확장", §IV.4는 "간단한 후처리로 비용 없이 더 표현력 있게"라고 한다. 진짜 알맹이는 있다. 추가 관측가능량(M1, M2)이 전부 계산 기저에서 대각이라 원래 관측가능량과 같은 회로·같은 비트열 표본에서 추정된다. 그래서 5개 손으로 고른 족에서 깊이가 L\in{2,3,4}에서 L=1로 준다. 고정 L=1에서 다관측가능량 특징 벡터가 스칼라로는 못 가르는 쌍을 가르는 것은 정당한 사례별 엄밀 분리다(논문 외 비판 없음, 이 부분은 견고하다).

문제는 "무엇의 비용"이 고정되었는가다. 회로 깊이와 측정 기저는 진짜 안 바뀐다. 그러나 비용이 정의상 꺼져 있다. 과제 전체가 q(x)\neq q(x')로 x\ncong x'을 증명하는 것인데, 어려운 족(강정규·동스펙트럼류)에서는 불변량 차이가 매우 작을 수 있어 이를 shot noise 위로 분해하려면 표본이 매우 많이 필요할 수 있다. 이 비용은 회로 깊이와 무관하고 정확 기댓값 가정으로 지워진다. 깊이 2\to1은 지배적일 수 있는 축에 대해 아무 말도 하지 않는다(논문 외 비판). 저자들은 "shot noise를 고려하지 않았다"고 가정은 밝히지만, 표본 비용이 구속 제약일 수 있다는 점은 짚지 않는다. 그리고 "더 표현력"에도 천장이 있다. 그 상한을 정하는 것은 인코딩이다. \rho_\theta(x)가 (순열까지) 같은 상태로 보내는 두 그래프는 대각 관측가능량을 아무리 더해도 구별되지 않는다. 저자들도 "그래프 동형 문제를 푸는 것이 아니다"라고 명시한다(저자 자인).

6.3 "장벽 고원 완화"

초록·§I은 사전학습이 "장벽 고원(출력 집중)을 개선"한다 하고, §IV.5는 "집중 문제를 유의하게 줄인다"고 한다. 두 가지를 봐야 한다. 첫째, 측정한 양이 다르다(논문 외 비판). 장벽 고원은 형식적으로 기울기(gradient) 분산이 지수적으로 소멸해 훈련성을 죽이는 현상이다. Fig 4가 보이는 것은 데이터 분포에 걸친 출력(함숫값) 분산으로, 관련은 있지만 다른 양이다. 기울기도, 손실 지형도, 큰 n에서의 학습도 계산하지 않았다. 사전학습된 파라미터는 고정·전이된다. 게다가 결과가 부분적으로 동어반복적이다. 두 클래스를 가르도록 학습된 모델은 구성상 갈라진(분산 큰) 출력을 내는 반면 무작위 파라미터는 0 근처로 집중한다. Fig 4는 전이된 좋은 파라미터가 이 과제에서 n\le20까지 붕괴하지 않음을 보일 뿐, 큰 n에서 학습할 수 있음을 보이지는 않는다.

둘째, 과제가 거의 자명하다(논문 외 비판). 트리는 정확히 n-1개 엣지를 갖고 p=0.3의 조밀한 ER 그래프는 훨씬 많으므로 엣지 수만으로 두 클래스가 거의 갈린다. 그런데 고전 베이스라인(예: |x|_1=엣지 수 위의 SVM)이 없어서 양자 상태가 얼마나 기여하는지 판단할 수 없다. 85% 정확도가 양자 특징 덕인지 단순 그래프 통계 덕인지 이 실험만으로는 구분되지 않는다. 공정하게 덧붙이면, §IV.5 본문은 "이 문제에서는"이라고 적절히 유보하고, §V은 "탐색한 것보다 큰 규모에서 출력이 소멸하지 않음"을 증명되지 않은 전제로 스스로 나열한다(저자 자인). 요컨대 집중 문제는 쉬운 장난감 위 n\le20까지 완화된 것이지 풀린 것이 아니다.

6.4 "알려진 모든 모델 통합"

정의 8/9는 문헌의 "모든" 모델을 포괄한다고 한다. 이는 정리가 아니라 정의적 우산이다(논문 외 비판). 정의 8/9는 넓은 템플릿(인코딩 = e^{-iH^{(l)}_\theta(x)}의 순서곱, 판독 = 아핀 등변 관측가능량)이고, 선행 모델들은 그 가장 단순한 사례로 복원된다. 논문 자신이 "가장 단순한 관측가능량 선택만 썼다"고 적는다. "모든 것을 통합"은 "발표된 모든 것이 이 형식에 들어맞는다"는 분류학적 관찰로, 값지지만 얕다. 표현력이나 난이도 결과가 아니다. 그리고 일반화 쪽—더 풍부한 관측가능량, 더 높은 k, 하이퍼그래프(k>2)—은 "현 양자 플랫폼으로 평가할 수 있는 것 이상"이라 사실상 미검증이다(저자 자인). 실제로 운동된 것은 §IV.4의 M1/M2, §IV.5의 E1/E2뿐이다. "우리가 아는 한"이라는 유보는 완전성에 대해 정직하다.

여기에 제값을 하는 구조적 통찰 하나는 인정해야 한다. 생성자와 관측가능량이 S_n-대칭이라 등변 사상 기저가, 따라서 파라미터 수가 크기 무관하다는 것이다(E1=10, E2=49는 상수). 이는 옳고 명료하며 자명하지 않은 점이고, QAOA 파라미터 전이·고전 사전학습을 이식 가능하게 만드는 바로 그 성질이다.

6.5 신규성의 경계

무엇이 이미 있고 무엇이 진짜 새로운지 나눠 보면(논문 스스로 각각을 인용하는 정직함이 있다), 선행: 고전 S_n-등변 선형 사상(벨 수 계열, Table 2 G1)은 Maron([28])·Pearce-Crump([37]); 대칭화가 등변 부분공간 위 직교 사영이라는 것은 표준([19])이고 QML의 V=W 경우엔 [32]; 대칭 관측가능량 S_{\vec{k}}는 [49, 43, 5, 41]; QAOA 생성자·상태는 [17], graph state는 [21], 등변 인코딩은 "새롭지 않다"고 저자가 인정([31]). 진짜 새로운 것: (1) 같은 궤도 대칭화 기계를 고전 텐서 공간과 양자 연산자 공간 사이의 사상에 균일하게 적용한 것(G2, M/E 행)—이 다리가 실질 기여다. (2) 크기 무관 파라미터 ⇒ 이식 가능한 고전 사전학습이라는 종합. (3) "같은 데이터에서 관측가능량을 더 읽는" 트릭. 순 결과는 알려진 등변 사상 이론의 재포장 + 하나의 깔끔한 진짜 확장(고전↔양자 통일) + 두 개의 공짜 점심 관찰이며, 새 알고리즘도, 난이도·분리 결과도 없다.

6.6 구조에 박힌 범위 한계

한계 몇은 구성에 박혀 있다. n-노드→n-큐빗 인코딩만 다룬다(§II.3). §V은 n^2큐빗과 다중 복사본 인코딩을 향후로 명명하는데, 다중 복사본이야말로 표본 복잡도의 알려진 지수적 분리를 갖는 경로다([1, 22]). 곧 이 논문이 고른 인코딩은 증명된 분리가 있는 유일한 길을 스스로 배제한다(저자는 대안의 존재를 인정; 배제된 것이 흥미로운 길이라는 지적은 논문 외 비판). 대체로 특징 없는 그래프만 다루는데(§II.3.1), 노드·엣지 특징은 고전 결합 이야기(§IV.3)가 값을 낼 곳이지만 §IV.3은 스케치일 뿐 실험이 없다. 지수화 비선형성만 쓰고(§III.3) 판독이 선형이라 모델 족이 좁다. 그리고 대각 판독의 표현 천장—동스펙트럼·강정규 그래프가 같은 인코딩 상태로 가면 대각 관측가능량을 아무리 더해도 구별 안 됨—은 GNN 표현력 이론([52, 35])이 다루는 바로 그 실패 양식인데, 검증되지 않는다.

공정하게 무게를 달면, Table 2는 진짜이고 옳으며 재사용 가능한 설계 공간이고, 수학은 전반적으로 정확하며(궤도 논거, 식 37–39), §V은 하중을 견디는 공백들을 열린 문제로 정직하게 나열한다. 크기 무관 파라미터라는 구조적 통찰이 가장 값진 실질 소득이다.

7. 결론

이 논문의 기여는 원리적 설계 카탈로그와 두 개의 정직한 개념 증명이다. 이론(Table 2 + 궤도 대칭화)은 옳고 유용하며, 실질 신규성은 알려진 고전 등변 사상 이론([28, 37])을 고전/양자 경계를 가로질러 균일하게 확장한 것과, S_n 대칭이 파라미터 수를 크기 무관하게 만든다는 관찰에 있다. 세 표제 동사는 각각 좁고 실증된 의미에서는 참이지만 초록·서론에서 부풀려진다. "비용 없이 더 표현력"은 회로 깊이·측정 기저에 대해서는 참(5개 족의 진짜 공짜 점심)이나 지배적 비용(작은 불변량 차이를 분해할 표본)이 정확 기댓값 가정으로 지워지고 그래프 동형을 푸는 것은 아니다. "장벽 고원 완화"는 기울기 분산이 아니라 거의 자명한 과제 위 출력 분산을 n\le20까지 보인 것이고 §V 스스로 큰 규모의 비소멸을 미해결 전제로 인정한다. "모든 모델 통합"은 선행을 최단순 사례로 복원하는 정의적 우산이고 풍부한 일반화는 현 플랫폼 너머다. 양자 이점은 주장도 증명도 되지 않으며, 고른 인코딩은 알려진 표본 분리를 갖는 다중 복사본 경로를 배제한다. 고전 GNN이 못 하는 무엇을 이 모델들이 한다는 증거로서는 이 논문은 시도하지 않으며, 그렇다고 말한다.

읽는 법을 정리하면:

목적	어디를 읽나
문제 설정과 위치	§I, 이 글 1장
S_n 무대와 등변성의 정의	§II와 Figure 2, 이 글 2장
도구상자의 작동 원리(대칭화·궤도)	§III.1과 Figure 3, 이 글 3.1절
등변 사상 카탈로그	Table 2, 이 글 3.2–3.3절
알려진 모델의 복원·통합	정의 7–9, 이 글 4장
두 실험이 실제로 보이는 것	Table 3·Figure 4, 이 글 5장
표제 주장의 실제 범위	이 글 6장

References

Aharonov, D., Cotler, J., & Qi, X. (2022). Quantum algorithmic measurement. Nature Communications, 13(1), 887. https://doi.org/10.1038/s41467-021-27922-0

Akshay, V., Rabinovich, D., Campos, E., & Biamonte, J. (2021). Parameter concentrations in quantum approximate optimization. Physical Review A, 104(1), L010401. https://arxiv.org/abs/2103.11976

Albrecht, B., Dalyac, C., Leclerc, L., Ortiz-Gutiérrez, L., Thabet, S., D'Arcangelo, M., … Henriet, L. (2023). Quantum feature maps for graph machine learning on a neutral atom quantum processor. Physical Review A, 107(4), 042615. https://arxiv.org/abs/2211.16337

Anschütz, E. R., & Kiani, B. T. (2022). Quantum variational algorithms are swamped with traps. Nature Communications, 13(1), 7760. https://arxiv.org/abs/2205.05786

Brandão, F. G. S. L., Broughton, M., Farhi, E., Gutmann, S., & Neven, H. (2018). For fixed control parameters the quantum approximate optimization algorithm's objective function value concentrates for typical instances (arXiv:1812.04170). arXiv. https://arxiv.org/abs/1812.04170

Bronstein, M. M., Bruna, J., Cohen, T., & Veličković, P. (2021). Geometric deep learning: Grids, groups, graphs, geodesics, and gauges (arXiv:2104.13478). arXiv. https://arxiv.org/abs/2104.13478

Cohen, T., & Welling, M. (2016). Group equivariant convolutional networks. Proceedings of the 33rd International Conference on Machine Learning, 2990–2999. https://arxiv.org/abs/1602.07576

Farhi, E., Goldstone, J., & Gutmann, S. (2014). A quantum approximate optimization algorithm (arXiv:1411.4028). arXiv. https://arxiv.org/abs/1411.4028

Fulton, W., & Harris, J. (2013). Representation theory: A first course (Vol. 129). Springer.

Larocca, M., Sauvage, F., Sbahi, F. M., Verdon, G., Coles, P. J., & Cerezo, M. (2022). Group-invariant quantum machine learning. PRX Quantum, 3(3), 030341. https://arxiv.org/abs/2205.02261

Larocca, M., Thanasilp, S., Wang, S., Sharma, K., Biamonte, J., Coles, P. J., … Cerezo, M. (2025). Barren plateaus in variational quantum computing. Nature Reviews Physics, 1–16. https://arxiv.org/abs/2405.00781

Maron, H., Ben-Hamu, H., Shamir, N., & Lipman, Y. (2019). Invariant and equivariant graph networks. International Conference on Learning Representations. https://arxiv.org/abs/1812.09902

McClean, J. R., Boixo, S., Smelyanskiy, V. N., Babbush, R., & Neven, H. (2018). Barren plateaus in quantum neural network training landscapes. Nature Communications, 9(1), 4812. https://arxiv.org/abs/1803.11173

Mernyei, P., Meichanetzidis, K., & Ceylan, İ. İ. (2022). Equivariant quantum graph circuits. Proceedings of the 39th International Conference on Machine Learning, 15401–15420. https://arxiv.org/abs/2112.05261

Meyer, J. J., Mularski, M., Gil-Fuster, E., Mele, A. A., Arzani, F., Wilms, A., & Eisert, J. (2023). Exploiting symmetry in variational quantum machine learning. PRX Quantum, 4(1), 010328. https://arxiv.org/abs/2205.06217

Mills, P., Rundle, R., Samson, J., Devitt, S. J., Tilma, T., Dwyer, V., & Everitt, M. J. (2019). Quantum invariants and the graph isomorphism problem. Physical Review A, 100(5), 052317. https://arxiv.org/abs/1808.01724

Nguyen, Q. T., Schatzki, L., Braccia, P., Ragone, M., Coles, P. J., Sauvage, F., Larocca, M., & Cerezo, M. (2024). Theory for equivariant quantum neural networks. PRX Quantum, 5(2), 020328. https://arxiv.org/abs/2210.08566

Pearce-Crump, E. (2022). Connecting permutation equivariant neural networks and partition diagrams (arXiv:2212.08648). arXiv. https://arxiv.org/abs/2212.08648

Puny, O., Lim, D., Kiani, B., Maron, H., & Lipman, Y. (2023). Equivariant polynomials for graph neural networks. Proceedings of the 40th International Conference on Machine Learning, 28191–28222. https://arxiv.org/abs/2302.11556

Schatzki, L., Larocca, M., Nguyen, Q. T., Sauvage, F., & Cerezo, M. (2024). Theoretical guarantees for permutation-equivariant quantum neural networks. npj Quantum Information, 10(1), 12. https://arxiv.org/abs/2210.09974

Skolik, A., Cattelan, M., Yarkoni, S., Bäck, T., & Dunjko, V. (2023). Equivariant quantum circuits for learning on weighted graphs. npj Quantum Information, 9(1), 47. https://arxiv.org/abs/2205.06109

Szegedy, M. (2019). What do QAOA energies reveal about graphs? (arXiv:1912.12277). arXiv. https://arxiv.org/abs/1912.12277

Thabet, S., Fouilland, R., Djellabi, M., Sokolov, I., Kasture, S., Henry, L., & Henriet, L. (2023). Enhancing graph neural networks with quantum computed encodings (arXiv:2310.20519). arXiv. https://arxiv.org/abs/2310.20519

Xu, K., Hu, W., Leskovec, J., & Jegelka, S. (2019). How powerful are graph neural networks? International Conference on Learning Representations. https://arxiv.org/abs/1810.00826