적응적 비국소 관측자를 이용한 양자 초해상도

Quantum Super-resolution by Adaptive Non-local Observables

초해상도(SR)는 저해상도(LR) 데이터로부터 고해상도(HR) 데이터를 재구성하는 기술입니다. 기존의 딥러닝 방법은 초해상도 기술 발전에 크게 기여했지만, 미세한 상관관계를 파악하기 위해서는 점점 더 깊은 네트워크, 대규모 데이터셋, 그리고 막대한 계산량이 필요합니다. 본 연구에서는 초해상도 문제를 해결하기 위한 양자 회로에 대한 extit{최초의 연구}를 제시합니다. 우리는 변분 양자 회로(VQCs)에 extit{적응적 비국소 관측자(ANO)} 측정을 도입하는 프레임워크를 제안합니다. 기존의 고정된 Pauli 측정 방식의 VQCs와 달리, ANO는 훈련 과정에서 측정 방식을 조정할 수 있도록 학습 가능한 다중 큐비트 허미트 연산자를 도입합니다. 이러한 설계는 양자 시스템의 고차원 힐베르트 공간과 얽힘 및 중첩이 제공하는 표현 구조를 활용합니다. 실험 결과, ANO-VQCs는 비교적 작은 모델 크기로 최대 5배 향상된 해상도를 달성했으며, 이는 양자 머신러닝과 초해상도의 융합 분야에서 매우 유망한 새로운 방향을 제시합니다.

Super-resolution (SR) seeks to reconstruct high-resolution (HR) data from low-resolution (LR) observations. Classical deep learning methods have advanced SR substantially, but require increasingly deeper networks, large datasets, and heavy computation to capture fine-grained correlations. In this work, we present the \emph{first study} to investigate quantum circuits for SR. We propose a framework based on Variational Quantum Circuits (VQCs) with \emph{Adaptive Non-Local Observable} (ANO) measurements. Unlike conventional VQCs with fixed Pauli readouts, ANO introduces trainable multi-qubit Hermitian observables, allowing the measurement process to adapt during training. This design leverages the high-dimensional Hilbert space of quantum systems and the representational structure provided by entanglement and superposition. Experiments demonstrate that ANO-VQCs achieve up to five-fold higher resolution with a relatively small model size, suggesting a promising new direction at the intersection of quantum machine learning and super-resolution.