Harnessing DEN models for quantum computing tasks on neutral atom QPUs

본 논문은 거리 인코더 네트워크를 사용하여 단백질 및 세포 안테나 네트워크 그래프를 중성 원자 양자 프로세서(PASQAL 의 Orion Alpha 와 QuEra 의 Aquila) 에 성공적으로 임베딩하여 양자 머신러닝 및 그래프 색칠 작업에 대한 높은 임베딩율을 달성함을 보여줍니다.

핵심

매우 특수하고 첨단 기술로 만들어진, 미세한 부유 원자로 구성된 놀이터를 상상해 보세요. 이 놀이터는 양자 컴퓨터(구체적으로는 '중성 원자'를 사용하는 것)입니다. 0 과 1 같은 비트를 사용하는 일반 컴퓨터와 달리, 이 기계는 두 가지 상태를 동시에 가질 수 있는 원자를 사용합니다.

이 논문에서 연구자들은 까다로운 퍼즐에 직면했습니다: 복잡한 지도 (그래프) 를 어떻게 이 특정 놀이터에 완벽하게 맞춰 넣을 수 있을까요?

간단한 비유를 사용하여 그들의 작업을 다음과 같이 분류해 보겠습니다:

1. 놀이터 규칙 (하드웨어)

양자 컴퓨터를 원자를 주차할 수 있는 보이지 않는 '함정'들의 격자로 생각하세요.

• "출입 금지" 구역: 두 원자가 서로 너무 가까워지면, 같은 극을 마주 보는 두 자석처럼 격렬하게 서로 밀어냅니다. 이를 '블로케이드 효과 (blockade effect)'라고 합니다.
• "친구" 구역: 원자들이 충분히 가깝지만 (너무 가깝지는 않지만) 서로 "대화"할 수 있습니다.
• 모양: 놀이터는 완벽한 원이 아니라 직사각형입니다. 또한 원자들은 깔끔한 행에 주차되어야 하며, 그 행들은 적절한 간격으로 떨어져 있어야 합니다.

목표는 네트워크의 그림 (단백질 구조나 휴대전화 기지국 지도와 같은) 을 가져와서 그 점들을 이 엄격한 주차 규칙에 맞도록 재배열하는 것이었습니다. 점들이 규칙에 맞으면 양자 컴퓨터는 해당 네트워크에 관한 문제를 즉시 해결할 수 있습니다.

2. 문제: "자유 공간" 대 "현실 세계"

이전 작업에서 팀은 "자유 공간"(선 없는 빈 종이와 같은 공간) 에서 이 점들을 어디든 배치할 수 있는 똑똑한 AI 도구 (DEN 모델이라고 함) 를 사용했습니다. 이는 완벽한 모양을 찾는 데 탁월했습니다.

하지만 실제 양자 컴퓨터 (Orion Alpha 와 Aquila 라는 두 가지 특정 모델) 를 사용하려고 시도했을 때, 그들은 벽에 부딪혔습니다:

• Orion Alpha: 원자들은 특정 삼각형 격자(벌집과 같은) 에 주차되어야 했습니다. 임의의 위치에 원자를 놓을 수 없었습니다. 원자는 특정 함정에 맞춰져야 했습니다.
• Aquila: 원자들은 직사각형에 맞아야 하며, 특정 간격을 두고 행에 있어야 했습니다.

마치 차를 주차할 때 바닥에 페인트로 칠해진 주차 공간에 주차해야 하는데, AI 가 차도를 한가운데에 주차하라고 말하는 것과 같습니다.

3. 해결책: "스마트 이동자"

팀은 이 현실 세계의 제약 조건을 처리할 수 있도록 AI 도구를 업그레이드했습니다.

• 벌집 (Orion Alpha) 의 경우:
  그들은 "가장 가까운 이웃 (Nearest Neighbor)" 전략을 사용했습니다. 사람 목록 (점들) 과 의자 목록 (함정들) 이 있다고 상상해 보세요.

  1. AI 는 먼저 자유 공간에서의 이상적인 좌석 배치를 파악합니다.
  2. 그런 다음, 가장 중요한 사람들 (친구/연결이 가장 많은 사람들) 을 먼저 앉힙니다.
  3. 벌집 격자에서 가장 가까운 사용 가능한 의자에 그들을 배치합니다.
  • 결과: 그들은 이탈리아 토리노의 휴대전화 기지국 90 개로 구성된 네트워크를 성공적으로 기계에 매핑했습니다. 좌석 배치가 수학적으로 완벽하지는 않았지만, 컴퓨터는 여전히 "색칠 문제"(신호 충돌을 피하기 위해 기지국에 고유 ID 를 할당하는 문제) 를 해결할 수 있었습니다.

• 직사각형 (Aquila) 의 경우:
  그들은 AI 의 뇌에 새로운 "규칙"을 추가했습니다. 두 점이 같은 행에 있으면 충분히 멀리 떨어져 있어야 하거나, 다른 행에 있으면 행들이 적절히 간격을 두고 있어야 한다는 것을 AI 에게 가르쳤습니다.

  • 결과: 그들은 수백 개의 단백질 구조를 매핑하려고 시도했습니다.
    • 작은 단백질 (최대 12 개 점) 의 경우, 약 **76%**의 성공률을 보였습니다.
    • 중간 크기 단백질 (최대 16 개 점) 의 경우, 성공률은 **68%**로 떨어졌습니다.
    • 더 큰 단백질 (최대 256 개 점) 의 경우, 성공률은 **34%**로 떨어졌습니다.

4. 이것이 중요한 이유 ("그래서 뭐?"의 의미)

이 논문은 복잡한 모양을 이러한 양자 기계에 맞추는 것이 어렵다는 것을 보여줍니다 (큰 지도를 작은 주머니에 접으려고 하는 것과 같습니다). 하지만 그들의 방법은 전통적인 수학 솔버보다 더 잘 작동합니다.

• 비교: 구식 수학 도구들은 이를 해결하려고 몇 시간 동안 시도하다가 종종 포기했습니다 (0% 성공). 팀의 AI 방법은 보통 5 분 미만에 해결책을 찾았습니다.
• 교훈: 그들이 모든 그래프를 완벽하게 맞출 수는 없었지만, 실제 실험을 수행할 만큼 충분한 그래프를 맞출 수 있었습니다. 그들은 실제 세계 데이터 (휴대전화 기지국이나 단백질과 같은) 를 가져와서 양자 기계가 이해할 수 있는 언어로 변환할 수 있음을 증명했습니다.

요약 비유

친구들을 사진 촬영을 위해 배치하려고 한다고 상상해 보세요.

• 옛날 방식: 그들에게 완벽한 원형으로 서라고 말합니다.
• 새로운 현실: 당신은 특정 미리 표시된 자리가 있는 무대에 있으며, 일부 친구들은 서로 너무 가까이 서는 것에 알레르기가 있습니다.
• 이 논문의 기여: 그들은 완벽한 원형이 불가능하더라도 모든 사람이 행복하게 (적어도 사진 촬영이 가능하도록) 될 수 있도록, 특정 무대 자리에서 누가 어디에 서야 하는지 빠르게 파악하는 스마트한 조력자를 만들었습니다. 그들은 두 가지 다른 무대에서 이를 테스트하여 다양한 친구 그룹에게 작동함을 증명했습니다.

기술 요약

기술 요약: 중성 원자 큐피유 (QPU) 를 위한 양자 컴퓨팅 작업에 DEN 모델 활용

문제 제기
PASQAL(Orion Alpha) 과 QuEra(Aquila) 에서 개발된 중성 원자 양자 프로세서 (QPU) 는 개별 루비듐 원자를 큐비트로 사용합니다. 이러한 기계는 해밀토니안 역학을 통해 단위 원판 그래프 (UDG) 를 본질적으로 표현하는데, 여기서 두 큐비트 간의 물리적 거리가 특정 라이드베리 반경 ($r_b$) 이내일 때 간선이 존재합니다. 그러나 단백질 구조나 세포 안테나 네트워크와 같은 임의의 문제 그래프를 이러한 물리적 레지스터에 매핑하는 작업은 하드웨어의 한계로 인해 제약받습니다. 구체적으로 원자는 고정된 좌표 (종종 삼각 격자) 에 배치되어야 하거나 엄격한 행 간격 제약을 준수해야 하며, 인접한 정점과 비인접한 정점을 구별하기 위해 거리 요구 사항을 충족해야 합니다. 이전 연구는 "자유 공간" 가정 하에서 UDG 를 임베딩하기 위해 거리 인코더 네트워크 (DEN) 를 도입했으나, 이러한 모델은 실제 세계의 QPU 가 가진 이산적이고 제약된 기하학적 구조를 고려하지 못했습니다.

방법론
저자들은 두 가지 서로 다른 QPU 의 특정 하드웨어 제약을 해결하기 위해 DEN 프레임워크를 적응시켰습니다.

1. Orion Alpha (PASQAL):

   • 제약: 원자는 61 개의 트랩, 5µm 변 길이를 가진 삼각 격자 내의 고정된 위치를 차지해야 하며, 원자 간 최소 거리는 5µm, 최대 거리는 40µm 여야 합니다.
   • 접근: DEN 모델은 연속적인 자유 공간 좌표를 생성하며 미분 가능한 손실 함수 내에서 이산적 정수성 제약을 본질적으로 처리할 수 없으므로, 저자들은 두 단계 프로세스를 사용했습니다. 먼저 DEN 모델을 자유 공간 가정 하에서 실행 가능한 임베딩을 생성하도록 훈련시켰습니다. 그 다음, 최단 이웃 알고리즘을 적용하여 이러한 연속 좌표를 삼각 격자의 가장 가까운 사용 가능한 트랩에 매핑했습니다. 정점들은 연결된 노드의 배치를 우선시하기 위해 차수 (degree) 를 기준으로 내림차순 정렬된 후 매핑되었습니다.

2. Aquila (QuEra):

   • 제약: 레지스터는 직사각형 (75µm × 76µm) 이며, 원자는 최소 4µm 의 수직 간격을 유지하며 행으로 조직화되어야 합니다.
   • 접근: 저자들은 DEN 아키텍처를 직접 수정했습니다. 임베딩 손실 함수 (ELF) 에 행 간격 제약을 도입했습니다. 모델 아키텍처는 직사각형 레지스터 내 좌표를 경계 짓기 위해 tanh 활성화 함수를 사용하는 CoordL 레이어와 DistL 레이어를 포함하도록 업데이트되었습니다. DistL 레이어는 표준 쌍별 제곱 거리와 제곱 행 거리 ($y'_i - y'_j)^2$) 를 모두 계산합니다. 새로운 패널티 구성 요소인 ELFrow가 손실 함수에 추가되어, 행 거리가 0 과 4µm 사이인 구성을 패널티로 부과하고, 거리가 $\ge$ 4µm 이거나 0 (동일 행) 인 경우는 허용하도록 설계되었습니다.

주요 기여

• 하드웨어 인식 임베딩: 본 논문은 이론적인 자유 공간 UDG 임베딩에서 두 가지 실제 QPU 를 위한 하드웨어 실행 가능한 솔루션으로 전환하는 방법론을 제시합니다.
• 알고리즘적 적응:
  • 이산 격자 (Orion Alpha) 의 경우, DEN 출력을 유효한 트랩 구성으로 변환하기 위한 휴리스틱 최단 이웃 재매핑 전략이 개발되었습니다.
  • 행 제약이 있는 직사각형 레지스터 (Aquila) 의 경우, DEN 모델이 신경망의 손실 함수 내에서 행 간격 제약을 직접 강제하도록 구조적으로 수정되었습니다.
• 응용 분야별 검증: 이 접근 방식은 두 가지 서로 다른 사용 사례에서 검증되었습니다.
  • 그래프 색칠: 이탈리아 토리노의 90 개 세포 안테나에 대한 주 셀 식별자 (PCI) 최적화를 Orion Alpha 에서 하이브리드 BBQ-mIS 알고리즘을 사용하여 해결했습니다.
  • 양자 머신 러닝: Aquila 에서 PROTEINS 데이터셋을 사용하여 단백질 (효소 대 비효소) 을 분류했습니다.

결과

• Orion Alpha (그래프 색칠): 90 개 안테나 데이터셋은 연결된 구성 요소로 분해되었습니다. 고립된 정점과 완전 그래프는 자명한 해를 갖는 반면, 저자들은 네 개의 비자명한 부분 그래프 (정점 수 7, 7, 10, 19) 를 성공적으로 임베딩했습니다. 격자로의 재매핑은 임베딩의 품질을 저하시켰음 (인접 거리와 비인접 거리 간의 간격 감소) BBQ-mIS 알고리즘은 견고하게 작동하여 불완전한 UDG 표현에도 불구하고 최적의 색칠을 성공적으로 찾았습니다.
• Aquila (단백질 분류):
  • $n \le 12$인 그래프의 경우, DEN 모델은 76% 의 성공률 (207 개 샘플 중 158 개) 을 달성했습니다.
  • $n \le 16$인 그래프의 경우, 성공률은 68% (307 개 샘플 중 210 개) 로 감소했습니다.
  • 전체 데이터셋 ($n \le 256$) 의 경우, 성공률은 34% (279 개 샘플) 였습니다.
  • 저자들은 기하학적 제약으로 인해 그래프 크기가 증가함에 따라 성공률이 감소하지만, DEN 휴리스틱이 5~10 시간의 계산 시간에도 불구하고 작은 그래프에서 거의 0% 의 성공률을 보인 최첨단 정수 계획법 (MIP) 솔버보다 훨씬 뛰어난 성능을 보인다고 지적했습니다. DEN 모델은 일반적으로 5 분 미만의 시간 내에 솔루션을 제공합니다.

의의 및 주장
본 논문은 이러한 결과가 다양한 응용 분야에서 중성 원자 양자 컴퓨터에 단위 원판 그래프를 표현하기 위한 DEN 기반 임베딩 접근법의 효과성과 다양성을 강조한다고 주장합니다. 저자들은 특히 이러한 특정 하드웨어 아키텍처에 문제를 매핑하는 기존 도구가 부재한 상황에서, 크고 복잡한 그래프를 부분적으로라도 성공적으로 임베딩하는 것이 중요한 진전을 의미한다고 강조합니다. 또한 작은 그래프의 경우 레지스터 내에서 그래프를 여러 번 복제하여 (사본 간 충분한 거리 보장) 측정 요구 사항을 줄임으로써 양자 작업 수행을 더욱 최적화할 수 있는 전략을 제안합니다. 이 연구는 이론적 그래프 문제와 현재 중성 원자 QPU 의 물리적 제약 사이의 실용적인 가교 역할을 합니다.