Domain-Aware Probability Sampling for Hybrid Quantum Systems using Bayesian Optimization

본 논문은 이론적 수렴 보장을 갖춘 근미래 양자 하드웨어에서 효율적이고 자원을 절약하는 확률 분포 매칭을 달성하기 위해 트리 기반 모델과 계층별 분해를 활용하는 베이지안 최적화 프레임워크인 CircuitTree를 소개합니다.

핵심

매우 시끄럽고 약간 혼란스러운 로봇 (단기 양자 컴퓨터) 을 특정 행동 패턴, 예를 들어 다른 숫자보다 더 자주 특정 숫자에 떨어지는 주사위를 굴리는 것처럼 모방하도록 가르치려 한다고 상상해 보세요. 이 논문이 다루는 핵심 문제는 바로 확률 분포 매칭입니다.

목표는 양자 컴퓨터를 프로그래밍하여 출력을 측정했을 때, 결과물이 마음속에 있는 '목표' 패턴과 정확히 일치하도록 하는 것입니다. 그러나 오늘날의 양자 컴퓨터는 취약하고 시끄러우며 메모리 (회로 깊이) 가 매우 제한적입니다. 이 작업을 가르치려는 시도는 폭풍우 속에서 라디오를 튜닝하는 것과 같습니다. 신호는 흐릿하고, 조절 나사는 민감하며, 한 번에 전체 그림을 볼 수 없습니다.

다음은 니콜라스 디브리타와 동료들이 CircuitTree라는 방법을 사용하여 이 문제를 해결한 방식입니다.

문제: "블랙박스"와 "스무디"

일반적으로 기계를 가르치려면 나사를 어떻게 돌리면 결과가 어떻게 변하는지 정확히 알아야 합니다. 하지만 양자 컴퓨터에서는 내부 메커니즘을 볼 수 없으며, 최종 결과 (블랙박스) 만 볼 수 있습니다. 더구나 나사와 결과 사이의 관계는 언덕처럼 매끄럽고 부드러운 곡선이 아니라, 바위투성이 산길처럼 거칠고 끊어집니다.

기계를 가르치는 전통적인 방법 ( 베이지안 최적화라고 함) 은 종종 "가우시안 프로세스"라는 도구를 사용합니다. 이 도구를 스무디 블렌더라고 생각하세요. 이 도구는 모든 데이터 포인트를 매끄럽고 연속적인 곡선으로 섞어 산의 모양을 추측하려 합니다.

• 문제점: 양자 데이터는 매끄럽지 않고 거칩니다. 스무디 블렌더는 거친 바위를 으깨서 퓌레로 만듭니다. 이는 문제를 지나치게 단순화하고, 노이즈에 혼란을 겪으며, 답을 계산하는 데 영원히 걸립니다 (계산 속도가 매우 느립니다).

해결책: "트리"와 "건설 팀"

저자들은 스무디 블렌더를 의사결정 트리 (특히 경사 부스팅 회귀 트리) 로 교체하는 CircuitTree를 제안합니다.

• 트리 비유: 모든 것을 매끄러운 곡선으로 섞는 대신, 의사결정 트리는 플로우차트나 선택형 모험책처럼 작동합니다. "나사 값이 높은가 낮은가?", "레이어는 1 인가 2 인가?"와 같은 간단한 질문을 던집니다. 이는 문제를 더 작고 관리 가능한 조각으로 나눕니다. 이는 양자 데이터의 거칠고 바위투성이인 지형에 완벽합니다. 왜냐하면 울퉁불퉁한 문제에 매끄러운 모양을 강요하지 않기 때문입니다. 이는 자연스럽게 "거침"을 처리합니다.

전략: "건설 팀"

올바른 도구가 있더라도 이 일은 한 사람이 혼자 하기에는 너무 큽니다. 양자 회로는 층 (건물의 층과 유사) 으로 구성되어 있습니다.

• 옛 방식: 건물의 모든 층에 있는 모든 나사를 동시에 튜닝하려 시도합니다. 이는 혼란스럽고 느리며 오류가 발생하기 쉽습니다.
• CircuitTree 방식: 그들은 분산 건설 팀을 사용합니다.
  • 한 팀은 1 층의 나사를 튜닝하는 동안 다른 팀은 2 층을 튜닝하고, 이어서 계속합니다.
  • 각 팀은 자신의 특정 층 ( "부분 공간") 에서 독립적으로 작업합니다.
  • 주기적으로 그들은 전체 건물이 안정적으로 유지되도록 작업을 동기화하기 위해 만납니다.
  • 이는 그들이 건물의 퍼즐 전체를 한 번에 해결하려 하지 않기 때문에 훨씬 더 빠르고 효율적으로 작업할 수 있게 합니다.

결과: 더 나은 결과, 더 적은 노력

이 논문은 실제 양자 하드웨어와 시뮬레이션에서 이 방법을 "스무디 블렌더" 방식 및 기타 표준 도구와 같은 다른 접근법과 비교하여 테스트했습니다.

• 정확도: CircuitTree 는 이전 방법보다 2 배에서 3 배 더 정확하게 목표 패턴을 매칭할 수 있었습니다.
• 효율성: 이는 양자 컴퓨터가 수행하는 기본 연산인 "게이트"를 40% 에서 60% 적게 사용하여 이러한 결과를 달성했습니다. 양자 용어로 게이트가 적다는 것은 오류가 침투할 시간이 적다는 것을 의미하므로, 결과가 더 신뢰할 수 있습니다.
• 속도: 컴퓨터가 시끄러울 때도 훨씬 더 빠르게 해결책을 찾았습니다.

왜 이것이 중요한가

저자들은 이것이 먼 미래의 완벽한 양자 컴퓨터를 만드는 것에 관한 것이 아니라, 현재의 불완전한 양자 컴퓨터를 지금 당장 유용하게 만드는 것에 관한 것이라고 강조합니다.

양자 회로의 계층적 구조를 존중하는 "트리 기반" 접근법을 사용하여 CircuitTree 는 실용적인 다리의 역할을 합니다. 이는 과학자들이 전체적이고 취약한 양자 상태를 재구성할 필요 (시끄러운 하드웨어에서는 종종 불가능함) 없이 양자 기계로부터 유용한 통계적 결과를 얻을 수 있게 합니다. 이는 혼란스럽고 시끄러운 실험을 특정 데이터 패턴을 생성하는 신뢰할 수 있고 효율적인 과정으로 바꿉니다.

간단히 말해: 그들은 느린 스무디 제조 도구를 똑똑하고 잘게 썰어주는 트리 도구로 교체하고, 근로자들을 전문 팀으로 조직했습니다. 그 결과, 이전보다 훨씬 빠르고 정확하게 복잡한 패턴을 모방하도록 학습할 수 있는 양자 컴퓨터가 탄생했습니다.

기술 요약

기술 요약: 베이지안 최적화를 활용한 하이브리드 양자 시스템을 위한 도메인 인식 확률 샘플링

문제 제기
본 논문은 근미래 양자 컴퓨터에서의 확률 분포 매칭 및 샘플링 과제를 다룹니다. 목표는 타겟 분포의 출력 측정 통계를 재현하면서 리소스 오버헤드 (게이트 수 및 회로 깊이) 를 최소화하는 저깊이 매개변수화 양자 회로를 구축하는 것입니다. 이 작업은 생성 모델링과 변분 추론을 포함한 하이브리드 양자 - 고전 워크플로우에서 성공이 전체 상태 재구성이 아닌 측정 통계에 의해 결정될 때 중요합니다.

이 문제는 고차원, 비볼록, 비매끄러운 매개변수 공간에 대한 블랙박스 최적화로 공식화됩니다. 주요 과제는 다음과 같습니다:

• 하드웨어 제약: 근미래 장치에서의 제한된 결맞음 시간, 게이트 충실도, 및 회로 깊이 제한.
• 목적 함수 특성: 양자 측정 결과의 이산적 특성으로 인해 손실 함수 (생성된 분포와 타겟 분포 간의 불일치) 는 미분 불가능하며 매우 비매끄럽습니다.
• 최적화 한계: 기존 경사 기반 방법들은 분석적 경사의 부재와 황량한 평야 (barren plateaus) 의 존재로 인해 종종 실패하며, 가우시안 프로세스 (GPs) 를 사용하는 표준 베이지안 최적화 (BO) 는 ($O(N^3)$) 척도 확장성이 낮고 양자 회로 출력에 적용되지 않는 매끄러움 가정에 의존합니다.

방법론: CircuitTree
저자들은 베이지안 최적화와 트리 기반 모델 및 매개변수 공간의 구조적 분해를 통합한 서로게이트 가이드 최적화 프레임워크인 CircuitTree를 제안합니다.

1. 서로게이트 모델 선택 (GBRT):
   CircuitTree 는 가우시안 프로세스 대신 경사 부스팅 회귀 트리 (GBRTs) 를 서로게이트 모델로 사용합니다. GBRT 는 다음과 같은 이유로 선택됩니다:

   • 분포 매칭에서 전형적인 비매끄럽고 불연속적인 손실 지형을 자연스럽게 처리합니다.
   • 샘플 수에 선형적으로 확장되어 고샘플 영역에서 실행 가능합니다.
   • 앙상블 다양성과 분위수 기반 예측을 통해 불확실성을 정량화하여 기대 개선 (Expected Improvement, EI) 과 같은 획득 함수의 사용을 가능하게 합니다.

2. 레이어별 매개변수 분해:
   변분 양자 회로가 레이어 아키텍처를 갖는다는 점을 인식하여, 저자들은 매개변수 공간 $\Theta$의 구조적 분해를 도입합니다.

   • 매개변수 벡터는 개별 회로 레이어에 해당하는 불연속 부분 공간으로 분할됩니다 ($\Theta = \Theta^{(1)} \times \dots \times \Theta^{(L)}$).
   • 이는 분산된 블록 좌표 최적화를 가능하게 합니다: 각 레이어는 전용 서로게이트 모델에 의해 독립적으로 병렬로 최적화되는 반면, 다른 레이어는 고정됩니다.
   • 주기적 동기화는 매개변수 벡터의 전역 일관성을 보장합니다.
   • 이 접근법은 최적화 단계당 차원성을 줄이고, 샘플 효율성을 향상시키며, 로컬 부분 공간으로 업데이트를 제한함으로써 황량한 평야를 완화합니다.

3. 최적화 알고리즘:
   이 알고리즘은 관찰된 데이터 (매개변수 구성 및 총 변동 거리 (TVD) 손실) 에 대해 GBRT 서로게이트를 반복적으로 학습합니다. 각 레이어의 부분 공간 내에서 획득 함수 (EI) 를 통해 새로운 쿼리 점을 선택합니다. 개선 사항은 전역 매개변수 벡터로 전파된 후, 양자 하드웨어 또는 시뮬레이터에서 전체 회로를 평가하는 데 사용됩니다.

주요 기여

• 공식화: 저자들은 구조화된 매개변수 공간을 가진 블랙박스 최적화 문제로 도메인 인식 확률 분포 매칭을 공식화하고, 이 도메인에서 표준 BO 방법의 한계를 명시적으로 식별합니다.
• 프레임워크: 그들은 GBRT 서로게이트와 회로 아키텍처에 정렬된 확장 가능한 분산 부분 공간 최적화 전략을 결합한 CircuitTree 프레임워크를 도입합니다.
• 이론적 보장: 본 논문은 손실 함수의 리프시츠 연속성과 유계 잡음에 관한 약한 가정 하에 제안된 방법에 대한 이론적 수렴 보장을 제공합니다. 이는 구조화된 양자 매개변수 공간에서 비가우시안 트리 기반 서로게이트에 대한 최초의 결과로 기록됩니다.
• 실증적 검증: 무작위로 생성된 양자 회로 (RQC), 양자 상태 준비 (QSP), 및 변분 양자 고유값 솔버 (VQE) 작업에 대해 시뮬레이션 및 실제 하드웨어 (IBM ibm_nazca) 에서 수행된 광범위한 실험을 통해 최첨단 기준선 대비 프레임워크를 검증했습니다.

결과
평가에서는 CircuitTree 를 무작위로 생성된 양자 회로 (RQC), 양자 상태 준비 (QSP), 및 변분 양자 고유값 솔버 (VQE) 작업에 대해 가우시안 프로세스 BO (GPBO), 분위수 회귀 숲 (QRF), 경사 부스팅 분위수 회귀 (GBQR), 및 BQSKit 합성 프레임워크와 비교했습니다.

• 성능: CircuitTree 는 이전 접근법 대비 TVD(총 변동 거리) 를 2~3 배 낮게 달성했습니다.
• 효율성: 동등하거나 더 나은 충실도를 달성하기 위해 게이트 수를 40~60% 적게 사용했습니다.
• 수렴: 축소된 예산 시나리오 (60 회 평가) 에서 CircuitTree 는 최종 TVD 및 실행 시간 모두에서 GPBO 를 일관되게 능가했습니다. 예를 들어, VQE 작업에서 실행 시간을 약 114 초에서 약 24.8 초로 줄이면서 더 낮은 오차를 달성했습니다.
• 하드웨어 효율성: 실제 하드웨어에서 CircuitTree 는 BQSKit 대비 출력 오차를 최대 59% 감소시키고 두 큐비트 게이트 수를 61% 감소시켰습니다.
• 확장성: 분산 레이어별 전략은 전체 공간 최적화 또는 무작위 분할 대비 수렴 시간을 2.4 배 단축하고 최종 TVD 를 50% 낮추는 것을 입증했습니다.

의의 및 주장
본 논문은 CircuitTree 가 엔드투엔드 하이브리드 양자 샘플링을 위한 실용적인 구성 요소로 작용한다고 주장합니다. 그 의의는 다음과 같습니다:

• 비매끄러움 대응: 경사 기반 및 GP 기반 방법이 어려움을 겪는 양자 측정 통계의 비매끄럽고 확률적인 특성에 BO 를 성공적으로 적응시킵니다.
• 확장성: 트리 기반 앙상블을 통해 GPs 의 세제곱 척도 확장성을 극복하여 고차원 공간에서의 최적화를 가능하게 합니다.
• 구조적 인식: 완전한 유니터리 접근이나 분석적 경사가 필요 없이 변분 회로의 고유한 레이어 구조를 활용하여 학습 가능성과 안정성을 향상시킵니다.
• 이론적 엄밀성: 이러한 특정 클래스의 비가우시안 구조화된 양자 최적화 문제에 대한 최초의 수렴 보장을 제공합니다.

저자들은 이 작업을 근미래 양자 장치에 대한 견고하고 잡음 인식 최적화를 향한 한 걸음으로 위치시키며, 여기서 목표는 정확한 상태 합성이 아닌 분포 정렬입니다.