Accelerating Quantum Eigensolver Algorithms With Machine Learning

본 논문은 NISQ 장치에서 양자 고유값 솔버 알고리즘을 가속화하기 위해 고전 데이터로 훈련된 XGBoost 기반 머신러닝 모델을 사용하여 하이퍼파라미터를 예측하는 것을 조사하며, 28-큐비트 시스템에서 0.12% 의 오차 감소를 달성하면서도 더 작은 시스템에 대한 훈련 데이터의 추가 정제 필요성을 강조합니다.

핵심

거대한 안개 낀 산맥에서 가장 낮은 지점을 찾으려 한다고 상상해 보세요. 이 가장 낮은 지점은 복잡한 분자의 가장 안정적이고 '바닥 상태'인 에너지를 나타냅니다. 양자 컴퓨팅 세계에서는 이 지점을 찾는 것이 새로운 약물이나 소재를 설계하는 데 결정적이지만, 지형이 너무 험하고 안개가 너무 짙어 항해하기가 매우 어렵습니다.

이 논문은 양자 컴퓨터가 그 가장 낮은 지점을 더 빠르고 정확하게 찾도록 돕는 스마트 GPS를 구축하려 한 연구팀의 이야기를 다룹니다.

다음은 그들의 여정을 단순한 개념으로 분해한 이야기입니다:

1. 문제: 노이즈가 있는 양자 자동차

연구자들은 NISQ(Noisy Intermediate-Scale Quantum) 장치를 사용하고 있습니다. 이를 '노이즈가 있는 중간 규모 양자' 컴퓨터로 생각하세요.

• 비유: 현재 차고에서 제작 중인 매우 강력한 스포츠카 (양자 컴퓨터) 를 상상해 보세요. 이 차는 많은 마력 (큐비트) 을 가지고 있지만, 엔진은 덜컥거리고 타이어는 마모되었으며 핸들은 헐거워졌습니다 (노이즈). 이는 대륙 횡단 경주 (오류 정정 양자 컴퓨팅) 에 출전할 준비가 되지 않았지만, 블록 주변을 주행할 수는 있습니다.
• 도전: 이 덜컥거리는 자동차로부터 최상의 결과를 얻으려면 엔진을 완벽하게 튜닝해야 합니다. 이러한 '튜닝 노브'를 하이퍼파라미터라고 합니다. 이를 잘못 돌리면 차는 멈추거나 원형으로 돌아다닙니다. 하지만 정확히 적절하게 돌리면 실제로 경주에서 우승할 수도 있습니다.

2. 해결책: 'GPS'(머신러닝)

Avner Bensoussan 과 동료들이 이끄는 팀은 **머신러닝 **(ML)을 GPS 로 활용하기로 결정했습니다. 어떤 노브를 돌려야 할지 추측하는 대신, 과거 경험을 바탕으로 컴퓨터가 최상의 설정을 학습하도록 하려 했습니다.

• 훈련 단계: 안개가 너무 짙고 자동차가 너무 신뢰할 수 없었기 때문에, 바로 거대하고 어려운 산 (28 큐비트 시스템) 에서 테스트할 수 없었습니다. 그래서 그들은 작고 맑은 언덕 (최대 16 큐비트 시스템) 에서 시작했습니다.
• 데이터 수집: 그들은 양자 자동차를 이러한 작은 언덕에서 수천 번 주행하며 시도한 모든 설정과 그 성능을 기록했습니다.
• 모델: 이 데이터를 '회귀기 (regressor)' (특히 XGBoost인 AI 유형) 에 입력했습니다. 이 AI 를 수천 개의 작은 언덕 지도를 공부하고 패턴을 학습한 학생으로 생각하세요: "언덕이 X 로 보일 때, 노브를 Y 로 돌리는 것이 보통 가장 잘 작동한다."

3. 테스트: 거대한 산 주행

AI 학생이 훈련을 마치자, 그들은 그것을 거대하고 안개 낀 산 (20, 24, 28 큐비트 시스템) 으로 데려갔습니다. AI 가 자동차를 운전하게 한 것이 아니라, AI 에게 이렇게 물었습니다: "작은 언덕에서 배운 것을 바탕으로, 이 거대한 산에 대한 최상의 설정은 무엇입니까?"

그들은 두 가지 다른 유형의 양자 주행 전략을 테스트했습니다:

1. ADAPT-QSCI: 퍼즐을 조립하듯 솔루션을 조각조각 만들어가는 방법.
2. QCELS: 분자가 시간에 따라 변하는 영화를 지켜보며 어디에 정착하는지 보는 시간 진화를 사용하는 방법.

4. 결과: 엇갈린 성과

결과는 '유망한 시작이지만 더 많은 연습이 필요하다'는 이야기와 비슷했습니다.

• 승리: 가장 크고 어려운 산 (28 큐비트 시스템) 에서 AI 가 제안한 설정이 실제로 도움이 되었습니다. 오차 (진짜 가장 낮은 지점으로부터의 거리) 를 약 0.12% 줄였습니다. 이는 작은 숫자이지만, 이러한 고위험 게임에서는 백분율의 작은 조각 하나하나가 중요합니다. 또한 자동차가 경주를 더 빠르게 마치도록 도와주었습니다 (더 적은 반복 횟수 필요).
• 고난: 중간 크기의 산 (20 및 24 큐비트) 에서 AI 는 항상 도움이 되지 않았습니다. 때로는 AI 가 제안한 설정이 기본 설정을 사용했을 때보다 자동차가 더 나쁘게 주행하게 만들었습니다.
• '이유': 연구자들은 AI 가 작은 언덕 (훈련 데이터) 의 '지형'이 거대한 산과 정확히 같지 않기 때문에 어려움을 겪고 있음을 깨달았습니다. AI 는 작은 언덕의 규칙을 거대한 산맥에 적용하려 했지만, 물리학이 너무 복잡해졌습니다.

5. 결론: 진행 중인 작업

이 논문은 머신러닝을 사용하여 양자 컴퓨터를 튜닝하는 것은 실행 가능한 아이디어이지만, 아직 마법의 지팡이는 아니라고 결론지었습니다.

• 핵심 교훈: AI 는 좋은 설정을 예측할 수 있지만, 문제의 특정 '형태' (해밀토니안) 를 더 잘 이해해야 합니다.
• 미래 계획: 팀은 AI 를 더 다양한 데이터로 훈련시키고, 아마도 튜닝 노브뿐만 아니라 양자 알고리즘의 다른 부분들을 최적화하도록 가르칠 계획입니다.

요약하자면: 연구자들은 작은 연습 주행에서 학습한 스마트 어시스턴트를 구축하여 더 크고 어려운 문제를 위한 노이즈가 있는 양자 컴퓨터를 튜닝하도록 도왔습니다. 이는 가장 어려운 문제에서 약간 작동하여 개념이 타당함을 증명했지만, 어시스턴트는 모든 유형의 양자 '산'에서 진정한 신뢰성을 갖추기 위해 더 많은 훈련이 필요합니다.

기술 요약

Bensoussan 외가 작성한 논문 "머신러닝을 통한 양자 고유값 솔버 알고리즘 가속화"에 대한 상세한 기술적 요약입니다.

1. 문제 제기

본 논문은 잡음이 있는 중규모 양자 (NISQ) 장치에서 변분 양자 알고리즘 (VQA) 및 기타 양자 고유값 솔버를 최적화하는 과제를 다룹니다. 특히 저자들은 **양자 알고리즘 그랜드 챌린지 (QAGC2024)**에 초점을 맞추는데, 이는 엄격한 제약 조건 (제한된 샷 수, 타임아웃, 입력 데이터) 하에서 28 큐비트 시스템을 사용하여 1 차원 궤도 회전 페르미 - 허바드 모델 해밀토니안의 바닥 상태 에너지를 찾는 것을 참가자들에게 요구했습니다.

핵심 이슈:

• 초매개변수 민감도: ADAPT-QSCI 및 QCELS 와 같은 양자 알고리즘은 샘플링 샷 수, 절단 임계값, 반복 제한과 같은 초매개변수에 크게 의존합니다. poorly tuned 된 매개변수는 최적이지 않은 정확도나 과도한 실행 시간을 초래합니다.
• 확장성: 전통적인 초매개변수 튜닝 (예: 그리드 검색) 은 양자 시뮬레이션의 높은 비용으로 인해 대규모 시스템 (20 개 이상의 큐비트) 에서는 계산적으로 불가능합니다.
• 일반화: 작은 시스템 (예: 16 큐비트) 에 대해 최적화된 초매개변수가 더 크고 복잡한 시스템 (28 큐비트) 으로 효과적으로 확장될 수 있는지 여부는 불분명합니다.

2. 방법론

저자들은 **머신러닝 (ML)**과 검색 기반 소프트웨어 공학을 통합하여 초매개변수 최적화를 자동화하는 AccelerQ 프레임워크를 제안합니다. 이 접근 방식은 "작은 시스템으로 학습하고, 큰 시스템을 예측한다"는 패러다임을 따릅니다.

A. 데이터 생성 및 증강

• 출처: 데이터는 4 개에서 16 개 큐비트에 이르는 시스템에 대해 상태 벡터 시뮬레이터를 사용하여 고전적으로 생성되었습니다.
• 특성 (입력): 해밀토니안의 압축 표현 (무시할 수 있는 항을 제거하기 위해 절단됨), 시스템 크기 (큐비트 수), 그리고 무작위 초매개변수 벡터입니다.
• 레이블 (목표): 결과적으로 얻어진 바닥 상태 에너지 (비용 함수 값) 입니다.
• 증강: 데이터 부족을 극복하기 위해 저자들은 무작위 초매개변수 생성과 고전 시뮬레이션을 활용하여 ADAPT-QSCI 에 대해 약 4,760 건, QCELS 에 대해 약 14,510 건의 훈련 데이터 세트를 생성했습니다.

B. 머신러닝 모델

• 알고리즘: XGBoost(Extreme Gradient Boosting) 회귀 모델입니다.
• 역할: 이 모델은 **대리 적합도 함수 (surrogate fitness function)**로 작용합니다. 비용이 많이 드는 양자 시뮬레이션을 모든 초매개변수 후보에 대해 실행하는 대신, XGBoost 모델은 해밀토니안과 초매개변수를 기반으로 예상 에너지 수준 (비용) 을 예측합니다.
• 학습: 모델은 16 큐비트 이하의 시스템 데이터로 훈련되었습니다.

C. 검색 기반 최적화 (AccelerQ)

• 프로세스:
  1. 대상 시스템 (예: 28 큐비트) 에 대한 무작위 초매개변수 벡터의 집단을 생성합니다.
  2. 훈련된 XGBoost 모델을 사용하여 각 벡터에 대한 에너지 점수를 예측합니다.
  3. 유전 알고리즘 (GA) 방식을 적용합니다: 최상위 성능을 보이는 벡터를 선택하고, 교차 (평균화, 극단값) 와 변이를 적용하여 새로운 후보를 생성합니다.
  4. "최적"의 초매개변수 세트를 찾기 위해 수렴할 때까지 반복합니다.
• 실행: 최종 최적화된 초매개변수는 바닥 상태 에너지를 검증하기 위해 시뮬레이터에서 실행되는 실제 양자 알고리즘 (ADAPT-QSCI 또는 QCELS) 에 적용됩니다.

D. 평가된 알고리즘

1. ADAPT-QSCI: 입력 상태를 구성하기 위해 파울리 연산자를 선택하고 고전 컴퓨터에서 구성 상호작용을 수행하는 적응형 알고리즘입니다.
2. QCELS(Quantum Complex Exponential Least Squares): VQE 의 황량한 평야 (barren plateau) 문제를 피하기 위해 시간 진화 유니타리와 하다마드 테스트를 사용하여 복소 지수 함수를 적합시킵니다.

3. 주요 기여

• AccelerQ 프레임워크: 더 작은 시스템에서 훈련된 ML 대리 모델을 사용하여 초매개변수 최적화를 양자 실행 루프에서 분리하는 새로운 프로토타입 도구입니다.
• 알고리즘 간 적용 가능성: 검색 기반 ML 접근 방식이 특정 알고리즘에만 국한되지 않고 ADAPT-QSCI 와 QCELS 모두에 적용될 수 있음을 입증했습니다.
• 해밀토니안 중심 분석: ML 예측의 성공은 알고리즘 유형뿐만 아니라 해밀토니안의 특성(예: 항의 수, 희소성)에 크게 의존함을 강조했습니다.
• 오픈 소스 공개: 재현성을 촉진하기 위해 Zenodo 와 GitHub 를 통해 코드, 훈련 데이터, 모델 및 결과를 제공했습니다.

4. 결과

평가는 챌린지 해밀토니안과 오픈 소스 분자 해밀토니안을 모두 사용하여 16 개 시스템 (20, 24, 28 큐비트) 에서 수행되었습니다.

• 챌린지 해밀토니안 (28 큐비트) 에 대한 성능:

  • 정확도: ML 로 최적화된 ADAPT-QSCI 는 28 큐비트 시스템에서 기본 설정 대비 오류가 0.12% 감소했습니다.
  • 효율성: 최적화된 설정은 기본 설정 (평균 61 회) 에 비해 훨씬 적은 반복 횟수 (평균 37 회) 를 요구하여 수렴 가속화 가능성을 시사합니다.
  • QCELS: 혼합된 결과를 보였습니다. 특정 20 큐비트 시스템에서 가장 낮은 오류 (0.83%) 를 달성했지만, 시간 진화 데이터의 감쇠 효과로 인한 피팅 오류로 인해 28 큐비트 시뮬레이션에서는 어려움을 겪었습니다.

• 오픈 소스 분자 해밀토니안에 대한 성능:

  • 저하: 최적화된 초매개변수는 이러한 시스템의 경우 기본 설정보다 일반적으로 더 나쁜 성능을 보였습니다.
  • 원인: 저자들은 이를 **도메인 전이 (domain shift)**로 귀결시켰습니다. 오픈 소스 분자 해밀토니안은 챌린지 해밀토니안 (평균 200 개 이상) 에 비해 항의 수가 현저히 적었습니다 (평균 48 개). 챌린지 데이터 구조가 지배적인 혼합 데이터로 훈련된 ML 모델은 분자 시스템의 희소성으로 일반화에 실패했습니다.

• 확장성 (RQ2):

  • 모델은 제한된 확장성을 보였습니다. 훈련 데이터와 유사한 해밀토니안 특성을 가진 시스템의 성능은 향상시켰지만, 다른 구조적 특성 (예: 항 밀도) 을 가진 시스템에는 일반화에 실패했습니다.

5. 의의 및 향후 작업

• 하이브리드 양자 - 고전 패러다임: 본 논문은 양자 장치를 핵심으로 유지하면서 "튜닝" 부담을 고전 프로세서로 이전하는 고전 ML 을 사용하여 양자 워크플로우를 최적화하는 타당성을 재확인합니다.
• 식별된 한계:
  • 데이터 표현: ML 입력을 위한 해밀토니안의 압축은 다른 시스템 유형 간 일반화에 필요한 중요한 물리적 뉘앙스를 잃을 수 있습니다.
  • 시뮬레이터 인공물: 28 큐비트에서 QCELS 의 실패는 알고리즘 자체보다는 시뮬레이터의 한계 (행렬 곱 상태 절단 오류) 에 부분적으로 기인했습니다.
• 향후 방향:
  • 해밀토니안 특성 (예: 항 밀도, 희소성) 을 더 잘 커버하도록 훈련 데이터 선택을 정교화합니다.
  • 초매개변수 외에도 다른 서브루틴 (예: 안사츠 구조, 측정 전략) 을 최적화하도록 프레임워크를 확장합니다.
  • 모델 견고성을 개선하기 위해 맞춤형 손실 함수와 특성 가중치를 조사합니다.

결론

본 논문은 머신러닝이 최적의 초매개변수를 예측함으로써 양자 고유값 솔버를 가속화할 수 있음을 성공적으로 입증하여, 특정 문제 클래스 (페르미 - 허바드 모델) 에 대해 정확도와 반복 횟수에서 측정 가능한 개선을 보여주었습니다. 그러나 본 연구는 또한 일반화가 보장되지 않는다는 경고담으로 작용합니다. ML 접근 방식의 효과는 훈련 데이터의 해밀토니안 특성과 대상 시스템 간의 유사성에 밀접하게 연결되어 있으므로, 향후 연구는 모델 복잡성뿐만 아니라 특성 공학과 데이터 다양성에 초점을 맞춰야 함을 시사합니다.