⚛️ quantum physics

Direct entanglement ansatz learning (DEAL) with ZNE on error-prone superconducting qubits

이 논문은 노이즈가 있는 초전도 큐비트 환경에서 최적화 수렴 속도와 성공률을 향상시키기 위해 이차 무제약 이진 문제 파라미터를 양자 어츠 각도로 직접 매핑하는 '직접 얽힘 어츠 학습 (DEAL)' 방법론과 제로 노이즈 외삽법 (ZNE) 을 결합하여 제안하고, 이를 통해 TSP, 배낭, MaxCut 등 NP-난해 문제의 근사 최적 해를 효과적으로 도출하는 것을 입증합니다.

원저자: Ziqing Guo, Steven Rayan, Wenshuo Hu, Ziwen Pan

게시일 2026-04-22

📖 3 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Ziqing Guo, Steven Rayan, Wenshuo Hu, Ziwen Pan

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **"DEAL(직접 얽힘 어너스 학습)"**이라는 새로운 양자 알고리즘을 소개합니다. 이걸 쉽게 설명하기 위해 **'미로 찾기'**와 **'노이즈가 심한 라디오'**에 비유해 보겠습니다.

1. 문제 상황: 미로 찾기 게임의 난이도

우리가 해결하려는 문제는 최적의 답을 찾는 것입니다. 예를 들어, 여행 경로를 정하거나 (외판원 문제), 물건을 가방에 담는 것 (배낭 문제) 같은 복잡한 문제들입니다.

기존 방식 (QAOA): 기존 양자 컴퓨터는 이 미로를 찾을 때, 무작위로 길을 찾다가 자주 막다른 길 (국소 최적해) 에 걸려서 헤매곤 했습니다. 마치 안개 낀 미로에서 방향을 잃고 헤매는 것과 같습니다.
하드웨어의 문제: 실제 양자 컴퓨터 (초전도 큐비트) 는 매우 예민합니다. 주변 소음 (전파 간섭, 열 등) 때문에 신호가 왜곡됩니다. 마치 노이즈가 심한 라디오를 틀어서 음악 (정답) 을 듣는 것과 비슷합니다.

2. DEAL 의 해결책: 두 가지 핵심 전략

이 논문은 DEAL 이라는 새로운 방법을 제안하며, 두 가지 마법 같은 도구로 위기를 극복합니다.

전략 1: "지도 없이 출발하지 않기" (직접 매핑 & QPN)

기존 방식은 미로에 들어가기 전에 "어디로 갈지"를 무작위로 정했습니다. 하지만 DEAL 은 문제 자체를 바로 지도로 변환합니다.

비유: 미로에 들어가기 전, "여기가 가장 중요한 지점이다"라고 미리 표시해 둔 스마트 내비게이션을 켜는 것과 같습니다.
어떻게?: 문제의 중요한 부분 (가장 무거운 짐, 가장 긴 거리 등) 을 양자 컴퓨터의 '큐비트'에 직접 연결합니다. 중요한 부분일수록 더 많은 에너지를 쏟도록 설정해서, 무작위 추측을 줄이고 정답에 더 빨리 수렴하도록 돕습니다.

전략 2: "노이즈를 걸러내는 필터" (ZNE - 제로 노이즈 외삽법)

양자 컴퓨터는 소음 때문에 정확한 답을 내기 어렵습니다. DEAL 은 이 소음을 수학적으로 제거합니다.

비유: 라디오 소음이 심할 때, 소리를 크게 하고 작게 하며 소음 패턴을 분석한 뒤, "소음이 아예 없는 상태"를 수학적으로 추측해내는 기술입니다.
어떻게?: 소음을 인위적으로 더 늘려서 (노이즈 스케일링) 그 패턴을 파악한 뒤, "만약 소음이 전혀 없었다면 어땠을까?"를 계산해냅니다. 이를 통해 실제 하드웨어의 결함을 보완합니다.

3. 실험 결과: 더 빠르고 정확한 답

연구진은 IBM 의 실제 양자 컴퓨터 (Torino, Marrakesh) 에서 이 방법을 테스트했습니다.

결과: 기존 방식 (QAOA) 보다 성공 확률이 훨씬 높아졌습니다. 특히 10 단계의 복잡한 미로 (회로 깊이) 를 풀 때, DEAL 은 14% 이상 더 좋은 결과를 냈습니다.
의미: 소음이 심한 현재의 양자 컴퓨터 (NISQ 시대) 에서도, 복잡한 NP-난제 (NP-hard problems) 를 해결할 수 있는 실용적인 길이 열렸습니다.

4. 요약: 왜 이 연구가 중요한가요?

이 연구는 **"양자 컴퓨터가 아직 완벽하지 않아도, 똑똑한 방법 (DEAL) 을 쓰면 실용적인 문제를 풀 수 있다"**는 것을 증명했습니다.

기존: "소음이 많아서 답을 못 찾겠다." (좌절)
DEAL: "소음이 많으면 소음 패턴을 분석해서 빼내고, 문제의 핵심을 바로 지도로 그려서 찾자!" (해결)

결국 DEAL 은 **노이즈가 심한 양자 컴퓨터를 이용해, 여행 경로 최적화나 물류 문제 같은 실생활의 복잡한 문제를 더 잘 해결할 수 있게 해주는 '스마트한 나침반'**이라고 할 수 있습니다.

논문 요약: Direct Entanglement Ansatz Learning (DEAL) with ZNE

1. 연구 배경 및 문제 정의 (Problem)

양자 근사 최적화 알고리즘 (QAOA) 은 조합 최적화 (Combinatorial Optimization, CO) 문제를 해결하기 위한 유망한 방법이지만, 실제 양자 하드웨어 (특히 초전도 큐비트) 에서 적용 시 다음과 같은 심각한 한계에 직면해 있습니다.

복잡한 최적화 지형 (Optimization Landscapes): 수많은 국소 최소값 (local minima) 과 '메마른 대륙 (barren plateaus)' 현상으로 인해 수렴 속도가 느리고 최적 해를 찾기 어렵습니다.
하드웨어 노이즈: 초전도 양자 프로세서 (QPU) 의 교차 간섭 (crosstalk), 결맞음 오류 (coherence errors), 그리고 읽기 오류로 인해 계산 결과가 왜곡됩니다.
초기화 및 매핑의 비효율성: 기존 QAOA 는 파라미터 초기화를 무작위 또는 단순한 방식으로 수행하여 문제 구조를 반영하지 못하며, 큐비트 매핑 시 하드웨어의 연결성 제약으로 인해 오류가 증폭됩니다.

2. 제안된 방법론 (Methodology: DEAL)

저자들은 IBM 의 노이즈가 있는 초전도 하드웨어에서 QAOA 의 성능을 향상시키기 위해 직접 얽힘 Ansatz 학습 (Direct Entanglement Ansatz Learning, DEAL) 프레임워크를 제안합니다. DEAL 은 다음과 같은 핵심 기법을 통합합니다.

큐비트 우선순위 정규화 (QPN, Qubit-Prioritized Normalization):
- QUBO (Quadratic Unconstrained Binary Optimization) 문제의 목적 함수 계수에서 각 큐비트의 중요도 점수 ( $s_i$ ) 를 계산합니다.
- 이를 정규화하여 확률 분포 ( $w_i$ ) 를 생성하고, 이를 Cost Hamiltonian 과 Mixer Hamiltonian 의 초기 회전 각도 ( $\gamma, \beta$ ) 에 직접 매핑합니다.
- 비선형 인코딩: $\arccos(1-2w_i)$ 및 $\arcsin(\sqrt{w_i})$ 와 같은 비선형 함수를 사용하여 파라미터가 0 또는 $\pi$ 에서 포화 (saturation) 되는 것을 방지하고, 기울기 소실 (gradient vanishing) 문제를 해결합니다.
- 층별 전략: 초기 층 (early layers) 은 탐색 (exploration) 을 위해 Mixer 가중치를, 후기 층 (later layers) 은 활용 (exploitation) 을 위해 Cost 가중치를 강조하도록 동적으로 초기화합니다.
동적 물리적 큐비트 매핑 (Dynamic Physical Qubit Mapping):
- 하드웨어의 연결성 (coupling map) 과 큐비트 간 거리, 그리고 QPN 에서 산출된 중요도 ( $w_i$ ) 를 기반으로 최적의 큐비트 배치를 선택합니다.
- 이는 SABRE 레이아웃 알고리즘을 기반으로 하여, 오류율이 낮은 큐비트 쌍을 우선적으로 사용하여 교차 간섭을 최소화합니다.
적응형 제로 노이즈 외삽 (Adaptive ZNE):
- 기존 다항식 피팅 방식 대신, QPN 기반의 중요도 가중치와 큐비트 거리를 결합한 노이즈 스케일링 파라미터 ( $\lambda$ ) 를 도입합니다.
- 베이지안 사후 업데이트 (Bayesian posterior updates) 를 통해 노이즈 스케일링 인자를 반복적으로 정제하여, 교차 간섭 및 게이트 오류를 보정합니다.
- Pauli 게이트 삽입 (Pauli twirling) 및 게이트 플립 보정을 통해 노이즈를 수치적으로 추정하고 제거합니다.

3. 주요 기여 (Key Contributions)

문제 구조 기반의 직접 파라미터 전달: QUBO 목적 함수의 계수를 큐비트 연결성을 통해 Cost Hamiltonian 의 얽힘 게이트에 직접 매핑함으로써, 물리적 큐비트 레이아웃의 정보를 정밀하게 포착하고 수렴 속도를 향상시켰습니다.
노이즈 강인성 및 성공률 향상: 다양한 QPU (Torino, Marrakesh) 에서 수행된 실험을 통해 DEAL 이 기존 Vanilla QAOA 대비 노이즈에 더 강인하며, 특히 NP-난제 (MaxCut, TSP, Knapsack) 해결 시 성공률을 크게 높였음을 입증했습니다.
종단 간 (End-to-End) ZNE 통합 워크플로우: 하드웨어의 크로스토크 오류를 완화하기 위해 동적 Hamiltonian 학습과 ZNE 를 통합한 새로운 패러다임을 제시했습니다.

4. 실험 결과 (Results)

성능 비교: 10 층 (layer) 깊이의 회로에서 DEAL 은 Torino QPU 에서 Vanilla QAOA 대비 최대 14.81%, Marrakesh QPU 에서 7.40% 더 높은 성공률 (ground-state energy 발견) 을 보였습니다.
수렴 특성: DEAL 은 낮은 층수 (low-depth) 에서도 빠른 수렴을 보였으며, 특히 7 층 이후 노이즈가 지배적이 되는 구간에서도 변분 (variance) 을 합리적인 범위 내로 유지하며 최적 해 탐색 능력을 유지했습니다.
문제별 적용:
- TSP (외판원 문제), MaxCut, Knapsack 문제에서 근사 최적의 바닥 상태 에너지 (near-optimum ground energy) 를 성공적으로 도출했습니다.
- QNRE (Quantum Noise-Limited Relative Error) 지표 분석을 통해 DEAL 이 KP(Knapsack) 와 MaxCut 문제에서 TSP 보다 더 긴 범위의 에너지 탐색이 가능함을 확인했습니다.
확장성: 4 큐비트 완전 그래프에 대한 실험에서 DEAL 이 균일한 확률 분포를 보이며, 기존 QAOA 가 겪는 메마른 대륙 (barren plateau) 문제를 완화함을 확인했습니다.

5. 의의 및 결론 (Significance)

이 연구는 노이즈가 있는 중규모 양자 (NISQ) 시대에 양자 최적화 알고리즘의 실용성을 높이는 중요한 진전을 이루었습니다.

하드웨어 제약 극복: 초전도 QPU 의 제한된 연결성과 높은 노이즈 환경에서도 고품질의 최적 해를 얻을 수 있는 방법론을 제시했습니다.
NP-난제 해결 패러다임: 여행 판매원 문제, 배낭 문제 등 복잡한 조합 최적화 문제를 양자 하드웨어로 해결하는 새로운 접근 방식을 제공하며, 양자 우위 달성을 위한 실용적인 발판을 마련했습니다.
효율적인 리소스 활용: 추가적인 안시라 (ancilla) 큐비트 없이 ZNE 를 구현하여 하드웨어 오버헤드를 최소화하면서도 오류 보정 효과를 극대화했습니다.

결론적으로 DEAL 은 문제의 구조적 특성을 양자 회로의 초기화 및 매핑에 직접 반영하고, 적응형 노이즈 보정을 결합함으로써 기존 QAOA 의 한계를 극복하고 양자 최적화의 실용적 적용 가능성을 크게 확장한 연구입니다.