기술 요약: 신경 진화를 이용한 양자 회로 설계 조사

문제 정의

효과적인 매개변수화 양자 회로(Parameterized Quantum Circuits, PQCs)를 설계하는 것은 양자 기계 학습(QML)에서 여전히 중요한 병목 구간으로 남아 있다. 양자 회로의 구조—구체적으로 게이트 유형, 큐비트 연결성, 매개변수화 및 깊이—는 그 표현력, 학습 가능성 및 노이즈에 대한 강건성을 근본적으로 결정한다. 현재의 접근 방식은 수동으로 제작된 템플릿이나 고정된 휴리스틱에 크게 의존하고 있으며, 이는 다양한 작업이나 하드웨어 제약 조건에 걸쳐 일반화하는 데 실패하는 경우가 많다. 이러한 정적인 설계는 바렌 플래토(barren plateaus), 약한 그래디언트 신호 또는 불충분한 얽힘 문제를 겪을 수 있다. 자동화된 양자 신경 구조 탐색(QNAS)이 존재하기는 하지만, 기존의 많은 방법은 얕은 탐색 공간, 높은 계산 오버헤드, 또는 서로 다른 양자 백엔드 및 목적 함수를 지원하는 유연성 부족이라는 한계를 가지고 있다.

방법론: EXAQC

저자들은 양자 회로의 자동 설계 및 학습을 위한 신경 진화 프레임워크인 **EXAQC(Evolutionary eXploration of Augmenting Quantum Circuits)**를 제안한다. EXAMM 및 EXA-GP 알고리즘에서 영감을 받은 EXAQC는 양자 회로를 구조와 매개변수를 동시에 최적화하도록 진화하는 가변적인 "게놈(genome)"으로 취급한다.

1. 게놈 표현 (Genome Representation)

고정된 크기의 표현과 달리, EXAQC는 무제한의 게이트 리스트를 활용한다. 게놈은 다음으로 구성된다:

• 입력 및 출력 큐비트 식별자.
• 각 게이트가 깊이 값($0.0 \le d \le 1.0$), 입/출력 큐비트 연결, 학습 가능한 매개변수(해당하는 경우), 그리고 **혁신 번호(innovation number)**를 포함하는 게이트 리스트.
• 혁신 번호를 통해 시스템은 서로 다른 게놈 간의 상동 구조(homologous structures)를 추적할 수 있으며, 이를 통해 효과적인 교차(crossover)를 용이하게 한다.

2. 진화 연산자 (Evolutionary Operators)

EXAQC는 구조적 변화는 진화에 의해 주도되고, 매개변수는 그래디언트 기반 학습(Adam 옵티마이저)을 통해 최적화되는 하이브리드 진화-변분 접근 방식을 채택한다.

• 변이 연산자 (Mutation Operators):
  • 게이트 추가 (Add Gate): 새로운 게이트를 임의의 깊이에 삽입하며, 게이트가 계산에 기여할 수 있도록 연결성 분석을 바탕으로 입/출력 큐비트를 선택한다.
  • 게이트 활성화/비활성화 (Enable/Disable Gate): 기존 게이트의 활성 상태를 토글한다.
  • 게이트 재정렬 (Reorder Gate): 게이트를 새로운 깊이로 이동시킨다.
  • 큐비트 스왑 (Swap Qubits): 게이트의 큐비트 연결을 재할당한다.
  • 제약 조건 검사: 변이 후, 최소 하나의 입력이 출력으로 흐르는지 확인하는 순방향 순회(forward traversal)를 수행하며, 유효하지 않은 게놈은 폐기한다.
• 교차 연산자 (Crossover Operators):
  • 이진 교차 (Binary Crossover): 두 부모를 결합하며, 공유된 혁신을 보존하고 적합도가 높은 부모($best\_keep\_rate$) 또는 적합도가 낮은 부모($other\_keep\_rate$)로부터 고유한 혁신을 확률적으로 유지한다.
  • N-ary 교차 (N-ary Crossover): 교차를 여러 부모(예: $n=4$)로 확장하며, 매개변수를 재결합하기 위해 무작위 심플렉스(simplex) 접근 방식을 사용한다.
  • 지수 교차 (Exponential Crossover): 무작위 깊이 교차 지점에서 부모를 분할하여, 한 부모로부터는 낮은 깊이의 게이트들을 가져오고 다른 부모로부터는 높은 깊이의 게이트들을 가져온다.
• 라마르크식 가중치 상속 (Lamarckian Weight Inheritance): 역전파 비용을 줄이기 위해, 성공적인 부모의 가중치를 재초기화하는 대신 상속받아 정밀하게 조정한다.

3. 백엔드 불가지론 및 손실 함수 (Backend Agnosticism and Loss Functions)

이 프레임워크는 Qiskit과 PennyLane을 모두 지원하는 백엔드 불가지론적 설계를 갖추고 있다. 두 가지 주요 최적화 모드를 지원한다:

• 교사 모방 (Teacher Imitation, 충실도 기반): 대상 "교사(teacher)" 회로가 존재하는 경우, 시스템은 후보 회로의 상태와 교사 회로의 상태 사이의 손실을 최소화한다. 지표로는 충실도(Fidelity) ($1 - |\langle \phi | \psi \rangle|^2$)와 **각도 거리(Angular Distance)**가 포함된다.
• 지도 학습 (Supervised Learning, 판독 기반): 고전적 데이터셋의 경우, 시스템은 측정 기반 손실을 사용한다. 여기에는 분류를 위한 주변 판독 확률에 대한 교차 엔트로피(Cross-Entropy), 쿨백-라이블러 발산(Kullback-Leibler Divergence), 그리고 하드웨어 정렬된 제약 조건을 위한 **관측량 평균 제곱 오차(Observable MSE)**가 포함된다.

주요 기여

1. 통합 프레임워크: 지도 학습과 회로 에뮬레이션 모두를 위해 회로 토폴로지(게이트 유형, 연결성, 깊이)와 매개변수를 공동으로 최적화하는 시스템인 EXAQC를 도입하였다.
2. 백엔드 불가지론: 동일한 진화적 표현을 서로 다른 실행 모델 하에서 평가할 수 있도록 PennyLane과 Qiskit에 모두 호환되는 유연한 훈련 파이프라인을 제공한다.
3. 유연한 손실 공식화: (대상 회로 에뮬레이션을 위한) 충실도 기반 감독과 (고전적 분류를 위한) 판독 기반 손실 사이를 일관된 파이프라인 내에서 전환할 수 있는 능력을 갖추었다.
4. 새로운 교차 전략: 정렬된 양자 게이트 리스트를 위해 신경 진화 교차 기술(N-ary 및 Exponential)을 적응시켰다.

실험 결과

저자들은 네 개의 UCI 벤치마크 데이터셋(Iris, Wine, Seeds, Breast Cancer)과 일련의 합성 "교사" 양자 회로를 통해 EXAQC를 평가하였다.

• 분류 성능: 적절한 계산 예산(500개의 평가된 게놈)을 사용하여, 진화된 회로는 벤치마크 데이터셋에서 높은 정확도를 달s성했다. 예를 들어, Iris 데이터셋은 최대 **90.0%**의 정확도에 도달했고, Seeds는 **95.2%**에 도달했다. 결과는 회로 복잡도(게이트 수)와 성능 사이에 상관관계가 있음을 나타냈으며, 이는 더 긴 탐색 시간이 추가적인 개선을 가져올 수 있음을 시사한다.
• 회로 에뮬레이션: 교사 기반 벤치마크에서 시스템은 타겟 동작을 성공적으로 학습했다:
  • 기본형 (단일 게이트): 3~5개의 게놈 내에 100% 충실도를 달성했다.
  • 벨 상태 생성기 (Bell-State Generators): 98.32% 충실도를 달성했다.
  • 입력 제어 회로 (Input-Controlled Circuits): 94.11% 충실도를 달성했다.
  • 다층 회로 (Multi-Layered Circuits): 800개 이상의 게놈을 탐색한 후 91.73% 충실도를 달성했다.
• 구조적 발견: 시스템은 비자명한(non-trivial) 양자 회로 토폴로지를 유기적으로 발견했다. 어떤 경우에는 진화된 회로가 교사와 구조적으로 다른 메커니즘을 사용하여 높은 충실도를 달성하기도 했다 (예: Identity 게이트를 시뮬레이션하기 위해 Hadamard 게이트를 두 번 적용함).

의의 및 주장

본 논문은 EXAQC를 "문제 인식적(problem-aware)" 양자 회로를 발견하기 위한 실용적이고 확장 가능한 방법론으로 포지셔닝한다. 저자들은 진화 탐색이 고정된 템플릿에 의존하지 않고 게이트 유형과 연결성의 조합적 설계 공간을 탐색할 수 있기 때문에 QML을 발전시키는 데 핵심적인 도구라고 주장한다.

이 연구의 의의는 다음과 같은 점을 입증했다는 데 있다:

1. 진화 알고리즘이 서로 다른 데이터셋과 하드웨어 제약 조건에 걸쳐 일반화될 수 있는 회로 구조를 효과적으로 발견할 수 있음을 보여주었다.
2. 하나의 통합된 프레임워크가 근본적인 진화 기계의 변경 없이 물리 중심 작업(양자 상태 에뮬레이션)과 데이터 중심 작업(고전 데이터 분류)을 모두 처리할 수 있음을 보여주었다.
3. 이 접근 방식은 수동적인 휴리스틱 설계를 넘어 자동화되고 적응적인 발견을 향한 원칙적인 경로를 제공한다.

저자들은 향후 구현에서 단일 정체 상태 인구(steady-state population)와 단일 목적 함수 최적화를 사용한다는 점을 언급하며 미래의 영향에 대해 겸허한 태도를 유지하였으나, 프레임-워크는 향후 다중 목적 최적화 및 아일랜드 모델(island models)로 확장 가능하도록 설계되었다. 그들은 현재의 결과가 신경 진화 기반 양자 아키텍처 탐색의 생존 가능성에 대한 개념 증명(proof-of-concept) 역할을 한다는 점을 강조한다.