DeepQuantum: A PyTorch-based Software Platform for Quantum Machine Learning and Photonic Quantum Computing

DeepQuantum는 양자 회로, 광자 양자 회로 및 측정 기반 양자 컴퓨팅을 독창적으로 통합하여 광자 양자 컴퓨팅과 양자 머신 러닝을 위한 효율적인 하이브리드 양자 - 고전 모델링, 대규모 텐서 네트워크 시뮬레이션, 그리고 견고한 알고리즘 설계를 가능하게 하는 오픈 소스 PyTorch 기반 소프트웨어 플랫폼입니다.

핵심

복잡한 기계를 만들려고 한다고 상상해 보세요. 하지만 세 가지 다른 유형의 설계도가 있습니다: 하나는 표준 전기 회로용, 하나는 빛의 빔으로 이루어진 시스템용, 그리고 하나는 버튼을 누르는 대신 '결과를 확인하는 것'으로만 작동하는 기계용입니다. 보통 이들을 설계하려면 세 가지 다른 소프트웨어 프로그램이 필요하며, 이 프로그램들은 서로 대화하지 못합니다.

DeepQuantum은 양자 컴퓨팅을 위한 새로운 오픈소스 소프트웨어 플랫폼으로, '범용 번역기'이자 '초고성능 작업장'처럼 작동합니다. 이는 AI 연구자들이 신경망을 구축하는 데 사용하는 유명한 도구인 PyTorch를 기반으로 구축되었습니다. PyTorch 를 기반으로 함으로써 DeepQuantum 은 과학자들이 오늘날 프로그래머가 코드를 혼합하듯이 세 가지 다른 양자 스타일을 동일한 편의성으로 혼합하고 매칭할 수 있게 합니다.

다음은 간단한 비유를 사용하여 해당 논문이 주장하는 내용을 요약한 것입니다:

1. 양자 컴퓨팅의 세 가지 언어

이 논문은 DeepQuantum 이 양자 수학을 수행하는 세 가지 뚜렷한 방식을 원활하게 연결하는 최초의 도구임을 강조합니다:

• 큐비트 (표준): 이들은 전통적인 컴퓨터의 '스위치'와 같지만, 켜져 있거나 꺼져 있거나 동시에 둘 다일 수 있습니다. DeepQuantum 을 사용하면 레고 구조물을 조립하듯이 이러한 스위치로 회로를 설계할 수 있습니다.
• 광자 (빛의 빔): 스위치 대신 빛의 입자를 사용합니다. 빛은 소음 (도서관에서의 조용한 대화와 같은) 에 쉽게 방해받지 않기 때문에 훌륭합니다. DeepQuantum 은 세 가지 다른 '렌즈'를 사용하여 광자 기반 컴퓨터를 시뮬레이션할 수 있습니다:
  • Fock: 개별 광자를 세는 것 (구슬을 세는 것과 같음).
  • Gaussian: 빛을 매끄러운 파동으로 취급하는 것 (연못의 잔물결과 같음).
  • Bosonic: 매우 이상하고 비표준적인 빛 상태를 처리하기 위한 하이브리드 방법.
• 측정 기반 ('진행 중 확인'): 전체 회로를 실행하는 대신, 이 방법은 얽힌 입자들의 거대한 '웹'을 생성한 다음 웹의 특정 부분을 측정하여 문제를 해결합니다. DeepQuantum 은 표준 회로 설계를 이 '웹' 형식으로 직접 번역할 수 있습니다.

큰 승리: 이전에는 한 스타일로 회로를 설계한 후 다른 스타일을 위해 수동으로 다시 작성해야 했습니다. DeepQuantum 은 이 번역을 자동으로 수행하여 연구자들이 세 가지 스타일의 가장 좋은 부분을 모두 사용하는 '하이브리드' 기계를 설계할 수 있게 합니다.

2. 'AI' 슈퍼파워

이 논문은 이것이 단순한 계산기가 아니라 AI 강화 도구임을 강조합니다.

• 비유: 라디오를 튜닝하여 맑은 방송국을 찾는다고 상상해 보세요. 과거에는 노브를 천천히 돌리며 들어야 했습니다. DeepQuantum 은 PyTorch 를 기반으로 구축되었기 때문에, 가장 맑은 소리를 얻기 위해 노브를 어느 방향으로 돌릴지 정확히 '느낄' 수 있어 즉시 조정할 수 있습니다.
• 중요성: 이를 통해 소프트웨어는 분자의 최저 에너지 상태를 찾거나 이미지를 분류하는 것과 같은 문제를 해결하기 위해 양자 컴퓨터의 설정을 자동으로 조정할 수 있어 훨씬 더 빠르게 문제를 해결할 수 있습니다. 이는 양자 컴퓨터를 더 큰 AI 뇌의 일부로 취급합니다.

3. '줌' 기능 (대규모 시뮬레이션)

양자 컴퓨터를 시뮬레이션하는 것은 정보가 기하급수적으로 증가하기 때문에 매우 어렵습니다. 50 개의 큐비트를 시뮬레이션하는 것은 해변의 모든 모래 알갱이를 기억하려는 것과 같습니다.

• 텐서 네트워크 비유: DeepQuantum 은 '텐서 네트워크'라는 트릭을 사용합니다. 거대하고 엉킨 털실 공을 가지고 있다고 상상해 보세요. 전체 공을 잡으려 노력하는 대신, 여전히 연결된 더 작고 관리하기 쉬운 고리로 잘라냅니다. 이를 통해 소프트웨어는 연결이 너무 복잡하지 않다면 단일 노트북에서 100 개 이상의 큐비트를 가진 시스템을 시뮬레이션할 수 있습니다.
• 분산 비유: 털실 공이 한 사람에게는 너무 크다면, DeepQuantum 은 작업을 컴퓨터 팀 (또는 강력한 GPU 클러스터) 사이에서 나눌 수 있습니다. 이는 지휘자처럼 각 컴퓨터가 시뮬레이션의 어떤 부분을 처리할지 지시한 다음 결과를 다시 연결합니다.

4. 실제로 테스트한 내용 (벤치마크)

저자들은 단순히 "빠르다"고 말하지 않고 구체적인 테스트로 증명했습니다:

• 속도: 그들은 DeepQuantum 을 PennyLane 과 Strawberry Fields 와 같은 다른 인기 있는 도구들과 비교했습니다. 기울기 (위에서 언급한 '튜닝') 와 복잡한 수학 함수가 포함된 테스트에서 DeepQuantum 은 특히 강력한 그래픽 카드 (GPU) 를 사용할 때 종종 10 배에서 100 배까지 더 빠르었습니다.
• 광자 테스트: 그들은 다음과 같은 복잡한 광자 기반 작업을 성공적으로 시뮬레이션했습니다:
  • 빛을 사용하여 'CNOT' 게이트 (근본적인 논리 스위치) 생성.
  • 양자 컴퓨터가 고전 컴퓨터보다 빠르다는 것을 증명하는 데 사용되는 '가우시안 보손 샘플링' 시뮬레이션.
  • 시간 영역 다중화 (TDM) 라는 기술을 사용하여 '클러스터 상태' (얽힌 빛의 거대한 웹) 생성. 이는 거대한 구조물을 구축하기 위해 시간의 흐름에 따라 빛 펄스 열을 루프를 통해 보내는 것과 같습니다.
• 실제 사례: 그들은 소프트웨어가 다음에서 작동하는 것을 보여주었습니다:
  • QResNet: 현대 AI 이미지 인식기가 작동하는 방식과 유사하게 '잔여 연결' (레이어 건너뛰기) 을 사용하여 더 잘 학습하는 신경망의 양자 버전.
  • MNIST 분류: 손으로 쓴 숫자 (0 과 1) 를 구별하는 데 양자 회로를 사용하여 94% 이상의 정확도 달성.
  • 이징 모델: 표준 컴퓨터가 처리할 수 없는 크기인 45 개의 큐비트를 가진 자기 시스템 시뮬레이션.

요약

간단히 말해, DeepQuantum은 연구자들이 오늘날 AI 엔지니어들이 사용하는 동일한 도구를 사용하여 양자 컴퓨터를 설계, 시뮬레이션 및 최적화할 수 있게 해주는 소프트웨어 플랫폼입니다. 이는 한 곳에서 세 가지 다른 '양자 언어'(큐비트, 빛, 측정 기반) 를 구사한다는 점에서 독특하며, 스마트한 수학 트릭을 사용하고 작업을 여러 컴퓨터로 분할함으로써 매우 큰 시스템을 시뮬레이션할 만큼 빠릅니다. 이 논문은 이것이 AI 가 양자를 돕는 것(양자 하드웨어 최적화)과 양자가 AI 를 돕는 것(더 나은 머신러닝 모델 구축) 모두를 위한 강력한 도구라고 주장합니다.

기술 요약

기술 요약: DeepQuantum

문제 제기

양자 컴퓨팅 (QC) 분야는 양자 우위의 이론적 증명을 실질적이고 현실 세계의 가치 있는 응용 분야로 전환하는 데 있어 중대한 도전에 직면해 있습니다. 인공지능 (AI) 이 변혁적인 기술로 성숙해가는 동안, 특히 잡음이 있는 중규모 양자 (NISQ) 시대에는 양자 프로세서와 고전 컴퓨터 간의 시너지에 크게 의존하는 QC 는 여전히 초기 단계에 머물러 있습니다. 양자 머신 러닝 (QML) 과 광자 양자 컴퓨팅을 위한 기존 소프트웨어 프레임워크는 종종 다음과 같은 한계를 겪습니다:

1. 분산화: 특정 패러다임을 위한 전용 프레임워크가 존재합니다 (예: 큐비트 회로를 위한 PennyLane, 연속 변수 광자 시스템을 위한 Strawberry Fields, 측정 기반 양자 컴퓨팅을 위한 Graphix). 그러나 이러한 모델들을 네이티브 AI 통합과 연결하는 통합 플랫폼은 부재합니다.
2. 확장성: 힐베르트 공간이 큐비트 수에 따라 기하급수적으로 증가하는 '차원의 저주'로 인해 대규모 양자 시스템의 시뮬레이션이 방해받습니다.
3. 하드웨어 다양성: 표준 큐비트 기반 모델뿐만 아니라 결함 허용 아키텍처에 필수적인 광자 양자 컴퓨팅 (이산 변수 및 연속 변수 모두) 과 측정 기반 양자 컴퓨팅 (MBQC) 을 지원하는 프레임워크가 필요합니다.

방법론

저자들은 AI 와 QC 를 심층적으로 통합하도록 설계된 오픈 소스 PyTorch 기반 소프트웨어 플랫폼인 DeepQuantum을 소개합니다. 이 프레임워크는 간결성, 효율성, 유연성, 그리고 다용도성의 원칙에 기반을 두고 있습니다. 핵심 방법론은 다음과 같습니다:

• 통합 아키텍처: DeepQuantum 은 세 가지 주요 양자 컴퓨팅 패러다임의 폐쇄 루프 통합을 제공합니다:
  1. 큐비트 기반 회로: QubitCircuit 클래스를 통해 구현됩니다.
  2. 광자 양자 회로: QumodeCircuit 클래스를 통해 구현되며, 세 가지 고유한 백엔드를 지원합니다:
     • Fock 백엔드: Fock 기저 상태 또는 상태 텐서를 사용하는 이산 변수 (DV) 시스템을 위해.
     • 가우시안 백엔드: 평균 벡터와 공분산 행렬을 통해 가우시안 상태를 특성화하는 연속 변수 (CV) 시스템을 위해.
     • 보손 백엔드: 가우시안 함수의 선형 결합으로 표현되는 비가우시안 상태 (예: 고양이 상태, GKP 상태) 를 위해.
  3. 측정 기반 양자 컴퓨팅 (MBQC): Pattern 클래스를 통해 구현되며, 그래프 상태 구성, 게이트 기반 회로로부터의 변환 (transpilation), 표준화 및 최적화를 지원합니다.
• AI 네이티브 통합: PyTorch 를 활용하여 이 프레임워크는 양자 회로를 미분 가능한 구성 요소로 취급합니다. 자동 미분, 벡터화 병렬 처리, 그리고 GPU 가속을 활용하여 하이브리드 양자 - 고전 모델 (예: VQE, QAOA, QML) 의 엔드 투 엔드 학습 및 추론을 용이하게 합니다.
• 확장 가능한 시뮬레이션 기법:
  • 텐서 네트워크: 이 프레임워크는 유리한 얽힘 조건 하에서 단일 장치에서 대규모 회로 (100 개 이상의 큐비트) 를 시뮬레이션하기 위해 행렬 곱 상태 (MPS) 표현을 통합합니다.
  • 분산 컴퓨팅: 분산 병렬 아키텍처는 상태 벡터를 여러 GPU 및 노드에 걸쳐 분할하여 대규모 시뮬레이션을 위해 PyTorch 의 네이티브 통신 프로토콜을 활용합니다.
• 광자 특화 기능: 이 플랫폼은 대규모 얽힌 상태 (예: 클러스터 상태) 생성을 위한 시간 영역 다중화 (TDM) 를 지원하며, 가우시안 보손 샘플링 (GBS) 과 유니터리 분해 (Clements 아키텍처) 를 위한 전용 모듈을 포함합니다.

주요 기여

1. 최초의 폐쇄 루프 통합: DeepQuantum 은 양자 회로, 광자 양자 회로, 그리고 MBQC 의 폐쇄 루프 통합을 실현한 최초의 프레임워크로, 전문화되고 범용적인 광자 양자 알고리즘 설계 모두에 대한 견고한 지원을 가능하게 합니다.
2. 통합 광자 백엔드: 선형 광학부터 비가우시안 자원 생성까지 다양한 시뮬레이션 요구 사항을 충족시키기 위해 단일 API 내에서 Fock, 가우시안, 그리고 보손 백엔드를 구현합니다.
3. 고급 광자 기능: 이 플랫폼은 TDM 광자 회로에 대한 네이티브 지원을 도입하여, prohibitive 한 메모리 비용 없이 복잡한 시간 역학 (예: 순차적 EPR 상태 생성, 2D 클러스터 상태 준비) 의 시뮬레이션을 가능하게 합니다.
4. 대규모 능력: MPS 를 통해 100 개를 초과하는 큐비트 시스템의 시뮬레이션을 가능하게 하고, 다중 노드 및 다중 GPU 클러스터에 걸친 분산 시뮬레이션을 지원하여 고전 양자 시뮬레이션의 범위를 크게 확장합니다.
5. 미분 가능한 광자 학습: 이 프레임워크는 온칩 광자 양자 회로 학습을 위한 내장형 그래디언트 프리 최적화기를 제공하며, 변분 알고리즘을 위한 자동 미분을 지원합니다.

결과 및 벤치마크

저자들은 확립된 프레임워크 (PennyLane, MindQuantum, Strawberry Fields, Piquasso, Graphix 등) 에 대한 포괄적인 벤치마크를 통해 DeepQuantum 을 검증했습니다:

• 그래디언트 및 헤시안 계산: DeepQuantum 은 그래디언트 계산에서 PennyLane 및 PyQPanda3 대비 효율성이 한 자릿수 (order-of-magnitude) 향상되었습니다. 헤시안 계산의 경우, GPU 가속 버전은 22 큐비트 구성에서 PennyLane 대비 최대 100 배의 속도 향상을 달성했습니다.
• 행렬 함수 평가: GBS 에 중요한 하프니안 (Hafnians), 토론토니안 (Torontonians), 그리고 영구식 (permanents) 계산에서 DeepQuantum 은 배치 처리 방식을 활용합니다. 단일 인스턴스 성능은 The Walrus 와 같은 전용 라이브러리보다 뒤처질 수 있으나, DeepQuantum (GPU) 은 대용량 배치 (예: 10~1000 인스턴스) 를 가진 고처리량 시나리오에서 경쟁사보다 현저히 우수합니다.
• MBQC 성능: 패턴 변환 (transpilation) 에 있어 Graphix 가 약간 더 빠르지만, DeepQuantum 은 순방향 상태 벡터 시뮬레이션에 있어 우수한 확장 효율성을 보여주며, 20 개를 초과하는 회로에 대해 상당한 성능 우위를 입증했습니다.
• 응용 사례 시연:
  • QResNet: 양자 신경망에서의 잔차 연결이 표현력을 향상시키고 황량한 평야 (barren plateaus) 를 완화하여 전통적인 QNN 보다 낮은 적합 오차를 달성함을 시연했습니다.
  • QCNN: 12 큐비트 양자 회로를 사용하여 MNIST 이진 분류 (숫자 0 대 1) 에서 94.33% 의 테스트 정확도를 달성했습니다.
  • 광자 응용: 확률적 CNOT 게이트, Clements 아키텍처 유니터리 분해, 그래프 문제를 위한 GBS, 그리고 TDM 을 사용한 EPR 상태 및 2D 클러스터 상태 준비를 성공적으로 시뮬레이션했습니다.
  • 비가우시안 상태: 반복 번식 (iterative breeding) 과 GBS 기반 포스트 셀렉션을 통한 근사 GKP 상태 생성을 시연했습니다.
  • 대규모 시뮬레이션: MPS 를 사용하여 45 큐비트 횡단장 이징 모델 (Transverse-Field Ising Model) 퀀치 (quench) 를 시뮬레이션하고, 8 개의 NVIDIA A100 GPU 를 사용하여 33 큐비트에서 분산 양자 푸리에 변환 (QFT) 을 수행했습니다 (약 1 분 소요).

중요성 및 주장

이 논문은 DeepQuantum 을 "AI 를 위한 양자"와 "양자를 위한 AI" 모두를 위한 강력한 플랫폼으로 위치시킵니다. 그 중요성은 다음과 같습니다:

• 패러다임 연결: 큐비트, 광자, 그리고 MBQC 모델을 통합함으로써 연구자들이 하이브리드 알고리즘을 탐구하고 NISQ 시대 유틸리티에서 결함 허용 아키텍처로 전환하는 데 걸림돌을 낮춥니다.
• 개발 가속화: PyTorch 와의 원활한 통합을 통해 연구자들이 양자 알고리즘 설계, 최적화, 그리고 오류 수정을 위해 광범위한 머신 러닝 생태계를 활용할 수 있게 합니다.
• 확장성: 텐서 네트워크 기법과 분산 컴퓨팅의 결합은 현재 대규모 양자 시스템 시뮬레이션을 제한하는 메모리 병목 현상을 해결하여, 미래 대규모 양자 하드웨어를 위한 알고리즘을 검증하고 설계할 수 있는 경로를 제공합니다.

저자들은 DeepQuantum 이 양자 정보 처리를 발전시키기 위한 다용도적이고 실용적인 도구로 기능하며, 향후 광자 구성 요소 라이브러리 확장, 노이즈 모델링 강화, 그리고 하드웨어 통합 인터페이스 개선을 위한 계획을 가지고 있다고 결론지었습니다.