Software Between Quantum and Machine Learning -- And Down to Pulses

본 논문은 QML-Essentials 패키지 내에서 추상적 게이트 기반 모델과 하드웨어 인지 펄스 수준 제어 간의 간극을 해소하는 고성능 소프트웨어 프레임워크를 소개하여, 보다 표현력이 풍부하고 최적화된 양자 시스템 설계를 위해 양자 머신러닝과 최적 제어 기법의 원활한 통합을 가능하게 합니다.

핵심

마스터피스 그림을 그리도록 로봇을 가르치려 한다고 상상해 보세요.

구식 방법: 메뉴에 따른 지시
현재 대부분의 사람들은 양자 컴퓨터 (로봇) 를 가르칠 때 "메뉴" 방식을 사용합니다. 컴퓨터에게 "이 특정 동작을 하고, 그 다음 저 특정 동작을 하라"고 말합니다. 이 논문에서 이러한 것들은 게이트라고 불립니다. 마치 셰프에게 "양파를 다진 다음 볶아라"라고 말하는 것과 같습니다. 작동은 하지만 경직되어 있습니다. 셰프에게 양파를 조금 더 빠르게 다지거나 약간 다른 온도에서 볶아달라고 요청할 수 없습니다. 사전에 정의된 메뉴 항목에 갇히게 됩니다.

새로운 방법: 불을 직접 조절
이 논문은 메뉴를 건너뛰고 스토브와 직접 대화할 수 있게 해주는 QML-ESSENTIAL이라는 새로운 소프트웨어 프레임워크를 소개합니다. "볶아라"라고 말하는 대신, 팬을 데우는 정확한 전기 신호인 펄스를 제어합니다. 불의 세기, 지속 시간, 리듬을 놀라운 정밀도로 미세 조정할 수 있습니다.

저자들은 이를 펄스 수준 학습이라고 부릅니다. 악보를 나눠주는 것을 넘어 오케스트라의 지휘자가 되는 것과 같습니다. 원하는 음을 정확히 연주하도록 모든 악기 (양자 비트) 를 미세 조정할 수 있으며, 실수 (오류) 가 발생하기 전에 이를 수정하고 음악 (계산) 을 훨씬 더 좋게 만들 수 있습니다.

큰 도전: 선택지가 너무 많음
스토브를 직접 조절하는 문제는 압도적이라는 점입니다. 돌릴 노브가 수백만 개나 됩니다. 무작위로 노브를 돌리기 시작한다면 좋은 요리를 얻지 못할 것입니다.

이를 해결하기 위해 저자들은 이 복잡성을 관리하는 데 도움이 되는 스마트 툴킷 (소프트웨어 프레임워크) 을 구축했습니다. 다음과 같은 작업을 도와주는 "스마트 주방 조수"라고 생각하세요:

1. 맞춤 레시피 만들기 (Ansatz 구성): 하나의 표준 레시피를 강요하는 대신, 이 소프트웨어는 서로 다른 빌딩 블록 (레고 블록과 같은) 을 조립하여 고유한 회로 설계를 만들 수 있게 합니다.
2. 특별한 숟가락으로 맛보기 (푸리에 분석): 이 논문은 **양자 푸리에 모델 (QFMs)**이라는 것에 크게 초점을 맞추고 있습니다. 당신의 그림이 복잡한 소리 파동이라고 상상해 보세요. 이 툴킷은 소리를 개별 음 (주파수) 으로 분해하는 특별한 "푸리에 숟가락"을 갖추고 있습니다. 양자 컴퓨터가 무엇을 배우고 있는지, 그리고 올바른 것을 배우고 있는지 정확히 파악하는 데 도움이 됩니다. "음"이 너무 빽빽하거나 불필요하게 반복되는지 확인합니다.
3. 재료 점검 (얽힘 지표): 양자 컴퓨터는 얽힘이라고 불리는 입자 간의 기묘한 연결에 의존합니다. 이 툴킷에는 재료가 얼마나 "얽혀" 있는지 측정하는 방법이 포함되어 있습니다. 재료가 실제로 섞이고 있는지 아니면 별도의 그릇에 그냥 놓여 있는지 확인하는 것과 같습니다. 재료가 약간 "노이즈"가 있거나 불완전한 경우 (약간 탄 양파와 같은) 에도 이를 측정할 수 있는 새로운 방법을 추가했습니다.
4. 스토브 자동 튜닝 (최적 제어): 소프트웨어는 양자 게이트가 가능한 한 완벽하게 작동하도록 펄스 신호를 자동으로 조정하여 오류를 최소화하고 시간을 절약합니다.

이것이 중요한 이유
저자들은 매우 무거운 수학을 수행하더라도 빠르게 실행되도록 고속 엔진 (JAX) 을 사용하여 이 소프트웨어를 구축했습니다. 그들은 새로운 "직접 스토브 제어" 방식을 기존의 "메뉴" 방식과 비교하여 테스트했습니다.

결과:

• 직접 펄스 제어는 놀라울 정도로 정밀하지만, 레시피 (회로) 가 너무 길어지면 오류가 누적될 수 있음을 발견했습니다.
• 그러나 그들의 툴킷은 이러한 오류가 있더라도 정밀도가 현재 실제 세계의 양자 컴퓨터가 일반적으로 달성하는 것보다 훨씬 더 좋음을 보여주었습니다.
• 회로의 "음" (푸리에 스펙트럼) 을 살펴보는 것이 왜 일부 설계가 다른 설계보다 더 잘 학습하는지 이해하는 데 도움이 된다는 것을 입증했습니다.

한 줄 요약
이 논문은 양자 머신 러닝을 위한 범용 번역기 및 제어판을 제시합니다. 연구자들에게 양자 컴퓨터의 원시 전기 펄스를 실험하고, 성능을 분석하며, 이전보다 더 잘 내부 작동 원리를 이해할 수 있는 구조화되고 사용하기 쉬운 방법을 제공함으로써 "무엇을 계산하고 싶은가?"라는 고수준 질문과 "기계를 물리적으로 어떻게 작동시키는가?"라는 저수준 질문 사이의 간극을 메웁니다.

기술 요약

기술적 요약: 양자 및 머신러닝 간의 소프트웨어 – 그리고 펄스 수준까지

문제 제기
현대의 양자 머신러닝 (QML) 연구는 주로 유니터리 게이트 분해를 통해 추상화된 매개변수 양자 회로 (PQC) 에 크게 의존합니다. 이러한 추상화는 통일된 인터페이스를 제공하지만, 제어 펄스 수준에서 작동하는 초전도 양자 처리 장치 (QPU) 와 같은 기반 하드웨어의 물리적 현실을 가립니다. 이러한 추상화는 하드웨어의 전체 능력을 활용하는 것을 제한하고, 맞춤형 오류 완화 및 최적화 전략의 개발을 제약합니다. furthermore, 기존 QML 소프트웨어 프레임워크는 종종 펄스 수준의 제어를 구현 세부 사항으로 취급할 뿐 미분 가능한 객체로 다루지 않아, 고수준 회로 분석 지표 (예: 푸리에 스펙트럼) 와 저수준 하드웨어 인식 펄스 최적화 간의 격차를 만듭니다. 펄스 수준 제어 시퀀스를 직접 학습하고 그 영향이 모델의 표현력과 학습 가능성에 미치는 영향을 분석할 수 있는 체계적인 도구가 부족합니다.

방법론
저자들은 추상화된 회로 기반 모델과 펄스 수준 제어 간의 격차를 해소하도록 설계된 QML-ESSENTIALS 패키지에 통합된 소프트웨어 프레임워크를 제시합니다. 이 방법론은 다음 세 가지 기둥에 기반합니다:

1. 통합 모델링 패러다임: 이 프레임워크는 QML 방법론을 펄스 수준 모델링을 포함하도록 확장합니다. 제어 펄스를 미분 가능한 객체로 취급하여 전통적인 게이트 각도와 함께 펄스 매개변수의 엔드 - 투 - 엔드 최적화를 가능하게 합니다. 이를 통해 게이트 기반 표현과 펄스 수준 표현을 매끄럽게 결합할 수 있습니다.
2. 푸리에 분석 진단: 양자 푸리에 모델 (QFM) 의 역할에 영감을 받아, 이 프레임워크는 엄격한 진단 도구를 포함합니다. 모델의 표현력을 분석하기 위해 푸리에 계수와 주파수를 계산합니다 (해석적 방법 또는 고속 푸리에 변환을 통해). 주요 지표로는 고유 푸리에 계수 간의 상관관계를 정량화하고 유효 표현력의 한계를 드러내는 푸리에 지문 (Fourier Fingerprint) 과 푸리에 계수 상관관계 (FCC) 가 있습니다.
3. 양자 최적 제어 (QOC) 통합: 이 소프트웨어는 펄스 매개변수를 최적화하기 위한 QOC 루틴을 구현합니다. 다양한 펄스 포락선 형태 (가우스, 직사각형, 상승 코사인, DRAG, 쌍곡선 시컨트) 을 지원하며, 그리드 스캔과 그라디언트 기반 정제 (가중치 감쇠 및 코사인 감쇠 학습률을 사용하는 Adam 사용) 를 포함하는 다단계 최적화 절차를 활용합니다. 목적 함수는 다목적 함수로, 결맞음 시간 제약을 준수하기 위해 게이트 충실도와 펄스 지속 시간 및 폭 사이의 균형을 맞춥니다.

성능이 중요한 전체 인프라는 고성능 배열 계산 및 병렬화를 위해 JAX로 구현되었습니다. 이 프레임워크는 유니터리 게이트 실행과 펄스 수준 시뮬레이션 (적응형 룽게 - 쿠타 방법 또는 마그누스 적분자를 통해 시간 의존적 슈뢰딩거 방정식을 풀이) 을 모두 지원하는 사용자 정의 미분 가능 양자 시뮬레이터를 포함합니다.

주요 기여
이 논문은 QML-ESSENTIALS 패키지에 다음과 같은 구체적인 기여를 소개합니다:

• 모듈형 안사츠 구성: 게이트와 토폴로지를 교체 가능한 구성 요소로 사용하여 변분 안사츠를 구축하는 시스템으로, 사전 정의된 구조 (예: Strongly Entangling, Hardware-Efficient) 와 사용자 정의 조합을 모두 지원합니다.
• 펄스 수준 인터페이스: 사용자가 회전 각도뿐만 아니라 펄스 매개변수 (진폭, 폭, 지속 시간, 위상) 로 안사츠를 직접 매개변수화할 수 있게 하는 그래프 기반 인터페이스입니다. 이 인터페이스는 기본 게이트와 합성 게이트를 모두 지원하며 매개변수 중복을 처리합니다.
• 향상된 진단:
  • 스펙트럼 특성을 분석하기 위한 푸리에 계수 상관관계 (FCC) 와 푸리에 지문의 구현.
  • 기존 순수 상태 지표 (Meyer-Wallach 및 Bell 측정) 에 더하여 혼합 (노이즈가 있는) 양자 상태에 적용 가능한 형성 엔트렁글먼트 (Entanglement of Formation, EF) 와 집중 가능 엔트렁글먼트 (Concentratable Entanglement, CE) 를 포함하도록 엔트렁글먼트 지표 확장.
• 데이터셋 생성: 인코딩 전략에서 고유 주파수를 추론하여 훈련 데이터 쌍을 생성하는 내장 푸리에 급수 데이터셋 생성기.
• 시각화 및 재현성: 회로도 (텍스트, Matplotlib, Quantikz) 와 펄스 시퀀스 일정을 내보내기 위한 도구로, 재현 가능한 워크플로우를 보장합니다.

결과
저자들은 프레임워크의 능력을 입증하는 개념 증명 결과를 제공합니다:

• QOC 최적화: 이 프레임워크는 범용 게이트 세트 ($\hat{RX}, \hat{RY}, \hat{RZ}, \hat{CZ}$) 에 대한 펄스 매개변수를 성공적으로 최적화했습니다. 결과적으로 게이트 불충실도는 극도로 낮았습니다 (예: 단일 큐비트 게이트의 경우 $\sim 10^{-13}$). 이는 현재 실제 장치의 충실도 ($\sim 10^{-7}$) 보다 훨씬 우수하여 이상적인 환경에서 시뮬레이터의 정밀도를 확인했습니다.
• 오류 누적: 실험 결과에 따르면 불충실도는 회로 깊이와 비기본 게이트의 수에 따라 누적되지만, 프레임워크의 결과는 실제 하드웨어 오류율보다 여러 자릿수 낮게 유지되었습니다.
• 지표 비교: KL-발산 기반 표현력과 FCC를 비교한 벤치마크는 불일치를 드러냈습니다. 일부 안사츠는 KL-발산을 통해 표현력이 낮아 보였지만, FCC 를 통해 더 낮은 계수 상관관계 (더 높은 학습 가능성) 를 보였으며, 이는 이러한 지표를 결합하는 유용성을 검증했습니다.
• 확장성: 런타임 벤치마크는 표현력과 FCC 계산 시간이 모두 큐비트 수에 따라 지수적으로 증가함 (양자 시스템 복잡성과 일치) 을 나타냈으나, 광범위한 쌍별 샘플링이 필요한 표현력에 비해 FCC 계산은 회로 깊이에 대해 더 유리하게 확장됨을 보여주었습니다.
• 엔트렁글먼트 분석: 다양한 안사츠에 대한 엔트렁글먼트 지표 (MW, BM, CE, EF) 비교는 순수 상태에 대해 일관된 순서를 보여주었습니다. 노이즈 모델 하에서는 BM 과 CE 가 순서를 유지하면서 더 높은 값을 산출한 반면, EF 는 다르게 행동하여 노이즈 환경에서 상한선 또는 대안적 측정치로서의 유용성을 시사했습니다.

의의 및 주장
이 논문은 해당 소프트웨어 프레임워크가 QML 과 양자 제어의 교차점에서 향후 발전을 위한 견고한 기반을 제공한다고 주장합니다. 그 주요 의의는 다음과 같습니다:

1. 격차 해소: 추상화된 회로 분석과 하드웨어 인식 펄스 수준 최적화를 연결하여, 연구자들이 표현력, 학습 가능성, 엔트렁글먼트를 물리적으로 실현 가능한 제어 수준에서 직접 연구할 수 있게 합니다.
2. 체계적 조사: 이상화된 게이트 가정을 넘어 펄스 수준 학습과 특정 데이터 인코딩 전략이 QML 모델에 미치는 영향을 재현 가능하고 체계적으로 조사할 수 있게 합니다.
3. 과학적 도구: 저자들은 이 작업을 즉시 응용 중심의 제품이 아닌 과학적 도구로 위치시킵니다. 이는 단일 통합 소프트웨어 패키지에 이전에 존재하지 않았던 QFM 과 펄스 수준 학습의 체계적 탐색을 촉진하도록 설계되었습니다.
4. 미래 잠재력: 이 프레임워크는 오류 완화 전략 탐구, 학습 작업에서의 직접 펄스 매개변수 최적화, 그리고 하드웨어 인식 시스템 역학 (예: 감쇠) 통합을 탐구하는 향후 실험을 위한 토대를 마련합니다.

저자들은 명시적으로 프레임워크에 성능 최적화가 포함되어 있지만, 주요 기여는 과학적이며 스펙트럼 특성과 물리적 구현 세부 사항을 통합하는 재현 가능한 QML 연구를 위한 포괄적인 도구함을 제공하려는 것이라고 밝힙니다.