Recent Advances in Quantum Architecture Search

본 논문은 변분 양자 알고리즘 설계를 자동화하기 위한 양자 구조 탐색(QAS)의 최근 발전을 검토하며, 핵심 개념, 방법론, 응용 분야 및 향후 연구 방향을 다룬다.

핵심

레고 블록으로 특정 퍼즐을 해결하는 기계를 만든다고 상상해 보세요. 양자 컴퓨팅 세계에서는 이러한 '블록'이 양자 게이트이고, '기계'는 양자 회로입니다. 문제는 이 블록들을 연결하는 방식이 너무 많아서, 완벽한 설계를 찾는 것이 은하 크기 건초더미에서 단일한 특정 바늘을 찾는 것과 같다는 것입니다.

본 논문은 **양자 아키텍처 검색 (Quantum Architecture Search, QAS)**이라는 새로운 분야에 대한 검토입니다. QAS 를 생각할 때, 직접 수동으로 기계를 만드는 대신 이 레고 기계를 설계해 줄 초지능 자동화 건축가를 고용하는 것으로 비유할 수 있습니다.

다음은 간단한 비유를 사용하여 이 논문이 말하는 내용을 정리한 것입니다:

문제: 왜 건축가가 필요한가

과거 과학자들은 이 양자 회로를 수동으로 설계했습니다. 그들은 고정된 블록 (게이트) 패턴을 선택하고 그것이 작동하기를 바랐습니다.

• 문제점: 이러한 수동 설계는 종종 블록이 너무 많고 (너무 깊으며), 공간이 낭비되고 (중복된 매개변수), 구축된 특정 '테이블' (하드웨어) 과 잘 맞지 않았습니다.
• 결과: 기계는 너무 노이즈가 많고 느려서 작동하지 않았습니다.
• 해결책: 추측 대신 **양자 아키텍처 검색 (QAS)**을 사용합니다. 이는 실행될 양자 컴퓨터의 특정 규칙을 고려하여 특정 작업에 가장 적합한 회로 설계를 자동으로 찾아내는 방법입니다.

건축가들이 작동하는 방식 (검색 전략)

논문은 이러한 '건축가'들이 최상의 설계를 찾기 위해 시도하는 네 가지 주요 방법을 검토합니다:

1. 진화 알고리즘 (적자생존의 정원):
   수천 개의 서로 다른 회로 설계를 심는 정원을 상상해 보세요. 그것들을 물주고 (학습시키고) 어떤 것이 가장 크게 자라는지 (성능이 가장 좋은지) 확인합니다. 가장 좋은 것들에서 씨앗을 가져와 섞고 (교차), 아마도 무작위 변이 (새로운 블록) 를 추가합니다. 여러 세대를 거치면서 정원은 완벽하고 고성능의 회로로 진화합니다.

   • 과제: 모든 식물을 키우고 테스트하는 데 시간이 매우 오래 걸립니다.

2. 베이지안 최적화 (스마트 지도 탐험가):
   안개 낀 섬에 숨겨진 보물을 찾는다고 상상해 보세요. 모든 평방 인치를 걷는 대신, 이미 본 곳을 기반으로 보물이 있을 곳을 추측하는 스마트 지도를 사용합니다. 이는 안개 낀/불확실한 새로운 지역을 탐색하는 것과 유망해 보이는 지역에서 더 깊이 파고드는 것 사이의 균형을 맞춥니다.

   • 장점: 더 적은 시도로 좋은 설계를 찾아 시간과 에너지를 절약합니다.

3. 강화 학습 (비디오 게임 플레이어):
   AI 가 비디오 게임을 하는 것을 생각해 보세요. AI 는 '에이전트'입니다. 빈 회로로 시작하여 한 번에 하나의 블록을 추가합니다. 블록을 추가할 때마다 게임은 목표 (보상) 에 가까워지고 있는지 아니면 멀어지고 있는지 (페널티) 알려줍니다. 시간이 지남에 따라 AI 는 승리하는 회로를 구축하기 위한 완벽한 이동 순서를 학습합니다.

   • 과제: AI 는 학습하기 위해 게임을 수백만 번 플레이해야 하므로 계산 비용이 많이 듭니다.

4. 몬테카를로 트리 검색 (의사결정 나무 등반가):
   모든 가지가 다른 블록 선택을 나타내는 거대한 나무를 상상해 보세요. 알고리즘은 나무를 타고 올라가며 다양한 경로를 테스트합니다. 최상위 (최고의 해결책) 로 이어질 가능성이 가장 높은 가지에 초점을 맞추면서도, 무언가 놓쳤을 경우를 대비해 몇 가지 무작위 측면 경로를 확인합니다.

더 똑똑한 검색 방법 (검색의 변형)

논문은 규칙을 변경하여 검색을 더 쉽게 만드는 방법도 논의합니다:

• 미분 가능 검색: 특정 블록 (이산적) 을 선택하는 대신, 건축가는 모든 가능한 블록의 '구름'을 상상하고 그 구름을 점차 특정 형태로 고형화합니다. 이는 컴퓨터가 옵션 사이를 점프하는 대신 가장 좋은 모양을 찾기 위해 부드러운 수학 (기울기) 을 사용할 수 있게 합니다.
• 잠재 공간 검색: 모든 가능한 레고 설계를 작고 부드러운 '지도' (잠재 공간) 로 압축한다고 상상해 보세요. 건축가는 이 부드러운 지도를 탐색하여 최적의 위치를 찾은 다음, 그 위치를 실제 레고 설계로 변환합니다.

'치트 코드' (효율적인 추정)

회로를 테스트하려면 일반적으로 양자 컴퓨터에서 실행해야 하는데, 이는 느리고 비용이 많이 듭니다. 논문은 이를 가속화하기 위한 '치트 코드'를 강조합니다:

• 가중치 공유: 모든 회로를 처음부터 구축하고 테스트하는 대신, 모든 가능한 블록을 포함하는 거대한 '슈퍼 회로'를 상상해 보세요. 서로 다른 설계를 테스트하기 위해 서로 다른 스위치를 켜고 끄기만 하면 되며, 모든 사람이 동일한 블록을 재사용합니다.
• 예측기 (수정구): 실제 실행 없이 회로 설계를 보고 성능을 추측하도록 간단한 AI 를 훈련시킵니다. 실제 기계에서는 최상위 추측만 실행합니다.
• 학습 없는 프록시: 설계 내 경로 수를 세는 것과 같은 간단한 수학 트릭을 사용하여 어떤 설계가 좋을지 빠르게 추측하고, 나쁜 것들을 즉시 필터링합니다.

어디에 사용되나요?

논문은 이 자동화된 설계가 이미 테스트되고 있는 몇 가지 장소를 나열합니다:

• 양자 컴파일링: 복잡한 수학 지시를 간단한 양자 블록 세트로 변환합니다.
• 분류: 양자 회로를 사용하여 데이터 (예: 이미지) 를 분류합니다.
• 양자 오토인코더: 컴퓨터에서 파일을 압축하는 것과 유사하게 공간을 절약하기 위해 양자 데이터를 압축합니다.
• 양자 강화 학습: AI 에이전트에서 의사결정을 내리기 위해 양자 회로를 사용합니다.

미래: 다음은 무엇인가?

논문은 이 분야가 빠르게 발전하고 있지만 장애물이 있다고 결론지었습니다:

• 확장성: 대부분의 테스트는 작은 시스템 (몇 개의 블록) 에서 수행됩니다. 컴퓨터가 충돌하지 않고 수백 개의 블록으로 구성된 대규모 시스템을 설계하는 방법을 찾아야 합니다.
• 이해: 때로는 AI 가 완벽하게 작동하는 설계를 찾지만, 인간은 그 '이유'를 이해하지 못합니다. 이러한 AI 설계된 회로의 '논리'를 설명할 도구가 필요합니다.
• 하드웨어 인식: 현재 AI 는 '완벽한' 기계를 위해 회로를 설계합니다. 미래에는 AI 가 실제 물리적 하드웨어의 특정 노이즈 성향에 완벽하게 맞춤화된 회로를 설계해야 합니다.

요약하자면: 이 논문은 우리가 수동으로 양자 회로를 구축하는 것을 멈추고 스마트한 자동화된 검색 방법을 사용하여 설계하는 새로운 시대를 위한 안내서입니다. 이를 통해 양자 컴퓨터를 더 효율적이고 사용하기 쉽게 만듭니다.

기술 요약

"Recent Advances in Quantum Architecture Search" (Situ, He, Li 저) 논문에 대한 상세한 기술적 요약입니다.

1. 문제 정의

본 논문은 Noisy Intermediate-Scale Quantum (NISQ) 시대를 위한 변분 양자 알고리즘 (VQAs) 설계의 중요한 과제를 다룹니다.

• 핵심 문제: VQAs(예: VQE, QAOA, 양자 분류기) 의 성능은 근본적인 변분 양자 회로 (VQC) 또는 "ansatz"의 설계에 크게 의존합니다.
• 현재 방법의 한계:
  • 수동 설계: 전통적인 접근법은 고정된 수동 제작 구조에 의존하며, 이는 종종 불필요한 매개변수, 과도한 깊이, 그리고 낮은 잡음 내성을 포함합니다.
  • 컴파일 오버헤드: 하드웨어 중립적인 설계는 특정 큐비트 연결성과 네이티브 게이트 세트에 맞게 컴파일되어야 하므로, 회로 깊이 증가와 잡음 누적을 초래합니다.
• QAS 의 목적: **양자 아키텍처 검색 (QAS)**은 최적의 회로 구조를 자동으로 발견하는 것을 목표로 합니다. 형식적으로, 이는 이중 최적화 문제로 정의됩니다:
  • 외부 루프 (이산): 손실 함수 $L$을 최소화하기 위해 검색 공간 $\mathcal{S}$ 내에서 최적의 회로 구조 $A^*$를 찾습니다.
  • 내부 루프 (연속): 고정된 구조 $A$에 대해, $L(A, \theta)$를 최소화하는 최적의 변분 매개변수 $\theta^*$를 찾습니다.
  • 과제: 검색 공간은 큐비트와 게이트의 수에 따라 기하급수적으로 증가하여 포괄적인 검색이 불가능합니다.

2. 방법론

본 논문은 QAS 방법론을 세 가지 주요 기술 흐름으로 분류합니다:

A. 이산 검색 전략

이러한 방법들은 회로 설계를 조합 최적화 문제로 취급합니다.

1. 진화 알고리즘 (EA):
   • 교차 (crossover) 와 돌연변이 (mutation) 와 같은 메커니즘을 사용하여 회로 집단을 진화시킵니다.
   • 예시: MQNE(Markovian Quantum Neuroevolution) 는 블록 단위로 회로를 구축하며, QCEAT는 잡음 인식 적합도 평가를 통해 가변 길이 게놈을 진화시킵니다.
   • 과제: 많은 개체를 훈련해야 하므로 계산 비용이 높습니다.
2. 베이지안 최적화 (BO):
   • 탐색과 활용의 균형을 맞추기 위해 확률적 모델 (예: 가우시안 프로세스) 을 사용합니다.
   • 혁신: 완전한 훈련 없이 회로 품질을 추정하는 성능 예측기(예: 그래프 신경망) 를 통합합니다. 표현력, 훈련 가능성, 얽힘과 같은 여러 목적을 최적화합니다.
3. 강화 학습 (RL):
   • 회로 설계를 에이전트가 보상을 최대화하기 위해 게이트를 선택하는 순차적 의사결정 문제로 공식화합니다 (예: 충실도 또는 에너지 정확도).
   • 혁신: 커리큘럼 러닝(점진적으로 작업 난이도 증가) 과 얽힘 인식 보상을 사용하여 에이전트를 견고한 구조로 유도합니다.
4. 몬테카를로 트리 검색 (MCTS):
   • 검색 공간을 트리 (슈퍼넷) 로 모델링합니다.
   • 혁신: 슈퍼넷 내의 다양한 경로에서 매개변수를 재사용하는 **가중치 공유 (Weight Sharing)**와 무한한 행동 공간을 효율적으로 처리하기 위한 **점진적 확장 (Progressive Widening)**을 활용합니다.

B. 이산에서 연속으로의 검색 공간 변환

기울기 기반 최적화를 가능하게 하기 위해 이산 구조를 연속 영역으로 완화합니다.

1. 미분 가능 QAS (DQAS):
   • 각 위치에서 특정 게이트를 선택할 확률을 나타내는 구조 매개변수($\alpha$) 를 도입합니다.
   • 구조 매개변수 ($\alpha$) 와 게이트 매개변수 ($\theta$) 를 점수 함수 추정기 또는 Gumbel-Softmax 를 통해 경사 하강법으로 공동 최적화합니다.
   • MetaQAS는 메타 러닝을 사용하여 새로운 작업에 빠르게 적응하는 초기화 전략을 찾는 것으로 이를 확장합니다.
2. 잠재 표현 기반 QAS:
   • **변분 오토인코더 (VAEs)**를 사용하여 이산 회로 구조를 연속적인 잠재 공간으로 매핑합니다.
   • 최적화는 이산 구조에서 직접 수행되는 것이 아니라, 매끄러운 잠재 공간에서 (경사 하강법 또는 RL 을 사용하여) 수행되어 샘플 효율성을 향상시킵니다.

C. 효율적인 성능 추정

전체 훈련은 비용이 많이 들기 때문에, 본 논문은 성능을 저렴하게 추정하는 방법을 검토합니다:

1. 가중치 공유: 모든 후보 구조를 포함하는 단일 "슈퍼넷"을 훈련합니다. 매개변수는 회로 간에 공유되어, 처음부터 다시 훈련하지 않고도 서브 회로를 신속하게 평가할 수 있게 합니다 (예: QuantumNAS).
2. 성능 예측기: 구조만으로 회로 성능을 예측하도록 신경망 (종종 그래프 신경망) 을 훈련합니다. 자기지도 학습과 반지도 학습과 같은 기법은 레이블이 지정된 훈련 데이터의 필요성을 줄이는 데 사용됩니다.
3. 훈련 없는 프록시: 훈련 없이 성능과 상관관계가 있는 지표를 사용합니다:
   • 표현력 (Expressibility): 힐베르트 공간을 탐색하는 능력.
   • 지형 변동 (Landscape Fluctuation): barren plateaus 를 감지하기 위한 비용 함수의 표준 편차.
   • 클리포드 잡음 내성: 하드웨어 잡음에 대한 견고성을 추정.

3. 주요 기여

• 포괄적인 분류 체계: 본 논문은 QAS 에 대한 구조화된 검토를 제공하며, 방법론을 이산 전략, 연속 완화, 효율적인 추정 기법으로 분류합니다.
• 하드웨어 인식 설계: 하드웨어 중립적 컴파일에서 종단 간 QAS로의 전환을 강조합니다. 여기서는 하드웨어 제약 (연결성, 네이티브 게이트) 이 검색 과정에 직접 통합됩니다.
• 격차 해소: NISQ 장치에 내재된 "barren plateau" 및 "잡음 누적" 문제를 해결하기 위해 수동 ansatz 설계에서 자동화된 데이터 기반 발견으로의 전환을 강조합니다.
• 다목적 최적화: 현대 QAS 프레임워크가 작업 정확도뿐만 아니라 훈련 가능성, 표현력, 잡음 내성을 동시에 최적화하는 방법을 논의합니다.

4. 결과 및 응용

본 논문은 다양한 영역에서의 QAS 성공적인 응용을 검토합니다:

• 양자 컴파일: 임의의 유니타리 연산을 더 적은 게이트 수로 네이티브 게이트 세트로 컴파일하는 자동화 (예: QAQC).
• 양자 머신 러닝: 분류 및 차원 축소를 위한 최적의 양자 커널과 양자 오토인코더 설계.
• 상태 준비: RL 을 사용하여 높은 충실도로 Bell 상태와 GHZ 상태를 준비하는 회로 생성.
• 분산 컴퓨팅: 상호 연결된 양자 처리 장치를 위한 분산 QAS로 확장하여 비국소 게이트 구현을 관리.
• 성능: 인용된 연구들에 따르면, QAS 는 수소 분자에 대한 VQE 와 같이 동등하거나 더 나은 정확도를 달성하면서 수동 제작된 ansatz 보다 매개변수가 적고 깊이가 얕은 회로를 찾을 수 있습니다.

5. 중요성 및 향후 방향

• 중요성: QAS 는 단기 양자 컴퓨터의 실용적 유용성을 위한 핵심 촉진제로 식별됩니다. 이는 인간의 직관에 대한 의존도를 줄이고, 특정 하드웨어에 대한 적응을 자동화하며, 구조적 최적화를 통해 잡음을 완화합니다.
• 향후 과제 및 방향:
  1. 확장성: 현재 방법들은 시뮬레이터의 한계로 인해 12 개 이상의 큐비트 시스템을 처리하는 데 어려움을 겪습니다. 향후 연구는 모듈식/계층적 검색 공간과 전이 학습에 초점을 맞춰야 합니다.
  2. 해석 가능성 및 설명 가능성: "블랙박스" 설계를 넘어 물리적 대칭성을 준수하고 인간 전문가가 해석할 수 있는 회로로 이동.
  3. 공동 하드웨어 - 소프트웨어 최적화: 회로 구조와 물리적 하드웨어 구성 (큐비트 배치, 결합) 을 동시에 공동 설계.
  4. 양자 네이티브 전략: 단순히 고전적인 신경 아키텍처 검색 (NAS) 기법을 적용하는 것이 아니라, 얽힘, 간섭, 복제 불가와 같은 양자 현상을 명시적으로 고려하는 검색 알고리즘 개발.

결론적으로, 본 논문은 QAS 를 NISQ 장치의 잠재력을 unlocking 하는 데 필수적인 급속히 진화하는 분야로 정립하며, 현재의 이산 검색 방법에서 확장 가능하고 하드웨어를 인식하며 양자 네이티브인 자동 설계 프레임워크로의 로드맵을 제시합니다.