Beyond Logical Circuits: Hardware-Aware Analysis of Expressibility and Trainability in Variational Quantum Algorithms

본 논문은 논리적 수준 예측과 비교하여 하드웨어 인지 전파가 변분 양자 알고리즘의 표현력과 훈련 가능성을 크게 변화시킨다는 것을 입증하며, 실행 중 구조적 수정이 가정된 표현력-훈련 가능성 트레이드오프를 교란시킬 수 있음을 드러내어 정확한 특성화를 위해 하드웨어를 포함한 평가가 필요함을 보여줍니다.

핵심

당신이 웅장하고 복잡한 집을 설계하는 건축가라고 상상해 보십시오. 당신은 모든 방이 어떻게 연결되고, 창문이 어디에 위치하며, 전기가 어떻게 흐르는지를 정확히 보여주는 완벽한 설계도 (논리 회로) 를 작성합니다. 당신은 이 설계도를 시공팀에 넘기면, 집이 당신이 설계한 대로 정확히 지어질 것이라고 가정합니다.

그러나 양자 컴퓨팅의 현실 세계에서는 시공팀 (하드웨어) 이 매우 엄격한 규칙을 따릅니다. 벽이 가로막고 있다면 두 방 사이에 다리를 놓을 수 없으며, 그들이 사용할 수 있는 벽돌 (게이트) 의 종류도 특정되어 있습니다. 완벽한 설계도를 이러한 제약 조건에 맞추기 위해 트랜스파일러라는 중개자가 개입합니다. 그들은 방들을 재배치하고, 추가 복도를 만들고, 당신의 화려한 벽돌을 시공팀이 가진 벽돌로 교체합니다. 이 과정을 트랜스파일링이라고 합니다.

이 논문은 대부분의 과학자들이 "완벽한 설계도"만 연구하고 최종 건물이 그대로일 것이라고 가정해 왔다고 주장합니다. 저자들은 이렇게 말합니다: "잠깐만요! 시공팀이 집을 너무 많이 바꿔버려서, 더 이상 원래의 집이 아닐 수도 있습니다."

다음은 그들의 발견 사항을 간단한 비유로 정리한 것입니다:

1. 중요한 두 가지 요소: "유연성"과 "주행 용이성"

양자 알고리즘 (양자 컴퓨터용 프로그램) 이 좋은지 판단하기 위해 과학자들은 두 가지 주요 요소를 살펴봅니다:

• 표현력 (유연성): 집이 얼마나 다양한 모양으로 변할 수 있습니까? 매우 유연한 집은 성, 오두막, 또는 마천루로 변할 수 있습니다. 양자 용어로 이는 회로가 다양한 복잡한 상태를 생성할 수 있음을 의미합니다.
• 학습 가능성 (주행 용이성): 올바른 목적지로 차를 조종하기가 얼마나 쉽습니까? 차가 깊은 계곡 ("황무지 평탄") 에 갇혀 있다면, 최적의 해법을 찾기 위해 언덕 위로 조종할 수 없습니다. 차가 평평한 평야에 있다면 운전하기 쉽습니다.

2. 큰 놀라움: 시공팀이 규칙을 바꿉니다

저자들은 여러 가지 다른 "설계도" ( 안사츠라고 함) 를 시뮬레이션된 IBM 양자 칩에서 시공팀 (트랜스파일러) 을 거쳐 실행했습니다. 그들은 원래 설계도와 최종 완공된 집을 비교했습니다.

결과: 시공팀은 단순히 벽돌을 몇 개 더 추가한 것이 아니라, 집의 본질을 근본적으로 변화시켰습니다.

• "유연성" 충격: 일부 설계의 경우, 트랜스파일링 과정이 집을 덜 유연하게 만들었습니다. 한 사례 ("HEA Ring" 설계) 에서는 유연성이 최대 **125%**까지 감소했습니다 (즉, 최종 집이 설계도가 약속한 것보다 훨씬 적은 일을 할 수 있음을 의미합니다).
• "조종" 충격: 다른 설계들의 경우, 차를 조종하는 능력이 변화했습니다. 때로는 더 쉬워지기도 하고, 때로는 더 어려워지기도 했습니다. 어떤 경우에는 조종 능력이 **25%**까지 변화했습니다.

3. 모든 설계도가 동일하게 반응하지는 않습니다

저자들은 시공팀을 마주했을 때 일부 설계가 다른 설계들보다 "단단하다"는 것을 발견했습니다:

• "구조화된" 집들 (TTN 및 MPS): 이들은 엄격한 논리적 격자 시스템으로 지어진 집과 같습니다. 매우 견고합니다. 시공팀이 이를 재배치했을 때, 집은 대부분 그대로 유지되었습니다. 그들은 유연성을 많이 잃지 않았으며, 여전히 운전하기 쉬웠습니다.
• "밀집된" 집들 (EfficientSU2): 이들은 벽이 여기저기에 있고 명확한 길이 없는 집과 같습니다. 이미 매우 유연했기 때문에 시공팀은 이를 더 유연하게 만들 수 없었지만, 쉽게 무너뜨리지도 못했습니다.
• "링" 집들 (HEA Ring): 이 설계들은 방들을 원형으로 연결하려 했습니다. 시공팀이 제한된 도구로 완벽한 원을 지을 수 없었기 때문에, 그들은 집을 미로처럼 만드는 데 필요한 만큼의 추가 복도를 많이 추가해야 했습니다. 이는 원래 설계의 유연성을 파괴했습니다.

4. 깨진 약속: "트레이드오프" 신화

오랫동안 과학자들은 간단한 규칙을 믿어 왔습니다: "집을 너무 유연하게 만들면, 운전 (학습) 이 불가능해진다." 그들은 다재다능한 집을 가질 것인지, 아니면 운전하기 쉬운 집을 가질 것인지 선택해야 한다고 생각했습니다.

이 논문은 실제 집을 짓는 순간 이 규칙이 깨진다고 말합니다.
시공팀 (트랜스파일링) 은 유연성과 조종에 독립적으로 간섭할 수 있습니다.

• 때로는 시공팀이 집을 덜 유연하게 만들지만 더 쉽게 운전하게 만듭니다.
• 때로는 집을 더 유연하게 만들지만 더 어렵게 운전하게 만듭니다.
• 때로는 하나를 바꾸고 다른 하나는 그대로 두기도 합니다.

이는 설계도만 보고 양자 컴퓨터가 어떻게 작동할지 예측할 수 없다는 것을 의미합니다. "시공 과정" 자체가 게임을 바꿔버립니다.

결론

당신이 종이 위에 양자 알고리즘을 설계한다면, 당신은 이야기의 절반만 보고 있는 것입니다. 실제 하드웨어에서 실행하려는 순간, "시공팀" (트랜스파일링) 이 스크립트를 다시 씁니다.

저자들은 설계도만 바라보는 것을 멈춰야 한다고 결론지었습니다. 실제로 작동할지 알기 위해서는 실제 완공된 집 (트랜스파일된 회로) 을 테스트해야 합니다. 이론적 설계만 믿는 것은 공장에서 부품을 매우 다른 방식으로 용접해야 한다는 사실을 무시한 채, 스케치를 보고 자동차의 성능을 판단하는 것과 같습니다.

기술 요약

"Beyond Logical Circuits: Hardware-Aware Analysis of Expressibility and Trainability in Variational Quantum Algorithms" 논문에 대한 상세한 기술 요약입니다.

문제 제기

변분 양자 알고리즘 (VQA) 은 파라미터화된 양자 회로 (PQC) 에 의존하며, 그 성능은 두 가지 중요한 속성인 표현력 (expressibility)(Haar-무작위 상태를 근사하는 능력) 과 학습 가능성 (trainability)(파라미터 최적화의 용이성으로, 종종 황량한 대지 현상에 의해 저해됨) 에 의해 결정됩니다. 기존 연구는 일반적으로 이러한 속성을 논리적 회로 수준에서 평가하며, 설계된 회로가 하드웨어 실행 중에도 구조적으로 동일하게 유지된다고 암묵적으로 가정합니다.

그러나 실제로는 PQC 가 제한된 큐비트 연결성, 네이티브 게이트 세트, 장치 토폴로지 등의 물리적 제약을 충족시키기 위해 **하드웨어 인식 트랜스파일링 (컴파일)**을 거쳐야 합니다. 이 과정은 큐비트 매핑, 라우팅 (SWAP 게이트 삽입), 그리고 기저 분해를 통해 회로 구조를 수정합니다. 본 논문은 이러한 구조적 수정이 PQC 의 표현력과 학습 가능성을 근본적으로 변화시켜, 논리적 수준의 분석이 실제 하드웨어 동작의 신뢰할 수 없는 예측자가 될 수 있다고 주장합니다. 이전 연구들은 트랜스파일링이 리소스 비용 (깊이, 게이트 수) 과 잡음에 미치는 영향을 연구해 왔으나, VQA 의 근본적인 기능적 속성에 미치는 영향은 대부분 탐구되지 않았습니다.

방법론

저자들은 논리적 회로와 트랜스파일된 대응 회로를 비교하는 체계적인 하드웨어 인식 평가 프레임워크를 제시합니다.

• 안사츠 (Ansatz) 패밀리: 다양한 구조적 귀납 편향을 가진 여섯 가지 안사츠 패밀리를 평가합니다.
  • 하드웨어 효율형: EfficientSU2, HEA Ring.
  • 텐서 네트워크 영감형: Tree Tensor Network (TTN), Matrix Product State (MPS Brick).
  • 문제 특화/일반형: RealAmplitudes, TwoLocalRYRZ.
• 실험 설정:
  • 논리적 회로: 다양한 큐비트 수 ($n \in \{2, 4, 6, 8, 10\}$) 와 반복 깊이 ($L \in \{2, 4, 6, 8, 10\}$) 로 구성됨.
  • 트랜스파일링: Qiskit 트랜스파일러를 사용하여 IBM FakeBrooklynV2 백엔드 (65 개 큐비트, heavy-hex 연결성) 로 컴파일하여 확률적 잡음을 도입하지 않고 현실적인 하드웨어 제약을 시뮬레이션함.
  • 최적화 수준: 컴파일러의 공격성 영향을 평가하기 위해 최적화 수준 0 부터 3 까지 트랜스파일링 수행.
  • 시뮬레이션: 논리적 및 트랜스파일된 회로 모두 잡음이 없는 상태 벡터 시뮬레이션을 위해 PennyLane 으로 변환됨. 중요한 점은 논리적 버전과 트랜스파일된 버전 간 파라미터 수를 고정하여 구조적 효과를 분리함.
• 지표:
  • 표현력: 회로 출력 상태의 충실도 분포와 이론적 Haar-무작위 분포 간의 Kullback–Leibler (KL) 발산으로 측정. 낮은 KL 발산은 높은 표현력을 나타냄.
  • 학습 가능성: 비용 함수 기울기의 분산으로 정량화. 높은 기울기 분산은 더 나은 학습 가능성을 나타내며, 낮은 분산은 황량한 대지를 시사함.
  • 오버헤드: 트랜스파일된 회로의 지표와 논리적 회로의 지표 간 차이로 정의됨 ($\Delta = \text{Metric}_{\text{transpiled}} - \text{Metric}_{\text{logical}}$).

주요 기여

1. 논리적 수준 평가의 한계: 논리적 수준 지표가 항상 하드웨어 수준 동작의 신뢰할 수 있는 예측자가 아님을 입증함. PQC 는 하드웨어 인식 컴파일 후 실질적으로 다른 특성을 보일 수 있음.
2. 하드웨어 인식 평가 프레임워크: 논리적 및 트랜스파일된 수준에서 PQC 의 표현력과 학습 가능성을 비교하는 최초의 체계적 연구를 제공하며, 깊이와 게이트 수와 같은 기존 리소스 지표를 넘어섬.
3. 체계적인 다중 안사츠 벤치마킹: 여러 안사츠 패밀리, 큐비트 수, 회로 깊이에 대한 포괄적 평가를 통해 트랜스파일링이 아키텍처에 따라 기능적 속성에 어떻게 다르게 영향을 미치는지 밝힘.
4. 능동적 변환으로서의 트랜스파일링: 트랜스파일링이 단순히 수동적인 리소스 최적화가 아니라, 표현력과 학습 가능성 지형을 비단조적으로 재구성할 수 있는 능동적 변환임을 결과들이 보여줌.
5. 표현력 - 학습 가능성 트레이드오프의 붕괴: 하드웨어 인식 환경에서 일반적으로 가정되는 표현력과 학습 가능성 간의 역관계에 도전하며, 트랜스파일링이 이러한 속성을 안사츠 의존적 방식으로 분리되어 변경할 수 있음을 보임.

주요 결과

• 큐비트 오버헤드: 대부분의 안사츠 (EfficientSU2, TTN, RealAmplitudes, MPS Brick, TwoLocalRYRZ) 는 트랜스파일링 후 동일한 큐비트 수를 유지함. 그러나 HEA Ring 안사츠는 heavy-hex 토폴로지에서의 링 얽힘 라우팅을 용이하게 하기 위해 더 높은 최적화 수준에서 추가 물리적 큐비트가 필요함 (8/10 개에서 12 개로 확장).
• 깊이 오버헤드: 트랜스파일링은 일관되게 회로 깊이를 증가시켰으며, 그 크기는 안사츠 구조와 최적화 수준에 크게 의존함. EfficientSU2(밀집 얽힘) 는 가장 큰 깊이 오버헤드를 보인 반면, 국소성 보존 특성을 가진 TTN 및 MPS Brick과 같은 구조화된 안사츠는 상대적으로 둔감하게 유지됨.
• 표현력 오버헤드:
  • HEA Ring은 특히 더 큰 큐비트 수와 더 높은 최적화 수준에서 최대 약 1.25 증가한 KL 발산으로 가장 큰 저하를 보임.
  • EfficientSU2는 이미 매우 높은 표현력을 가지고 있었기 때문에 최소한의 오버헤드를 보임.
  • **구조화된 안사츠 (TTN, MPS Brick)**는 높은 견고성을 보였으며, 오버헤드는 일반적으로 작은 범위 ($\pm 0.04$) 로 제한됨.
  • RealAmplitudes는 더 높은 최적화 수준에서 표현력이 약간 향상되는 경향을 보임.
• 학습 가능성 오버헤드:
  • TTN과 HEA Ring은 특히 낮은 큐비트 수에서 학습 가능성의 국소적 개선 (양의 오버헤드) 을 보임.
  • RealAmplitudes는 더 높은 최적화 수준에서 일관된 부정적 편향 (저하) 을 보임.
  • MPS Brick과 TwoLocalRYRZ는 거의 제로 오버헤드로 매우 안정적으로 유지됨.
  • 전반적으로 학습 가능성 변동 (최대 약 25%) 은 표현력 변동 (최대 약 125%) 보다 작음.
• 속성의 분리: 표현력의 변화가 반드시 학습 가능성의 변화와 상관관계가 있음을 발견하지 못함. 예를 들어, EfficientSU2는 상당한 깊이 오버헤드에도 불구하고 두 지표 모두에서 안정적으로 유지된 반면, RealAmplitudes는 일관된 표현력 향상 없이 학습 가능성 저하를 겪음.

의의 및 주장

본 논문은 NISQ 장치에서의 성능을 특성화하기 위해 논리적 설계 수준에서만 VQA 를 평가하는 표준 관행은 불충분하다고 주장합니다. 저자들은 다음과 같이 주장합니다:

• 트랜스파일링은 능동적 변환이다: 이는 리소스 비용뿐만 아니라 VQA 의 표현 능력과 최적화 지형을 근본적으로 변화시킵니다.
• 논리적 수준의 트레이드오프는 유효하지 않을 수 있다: 표현력과 학습 가능성 간의 가정된 트레이드오프는 하드웨어 인식 컴파일 후 균일하게 적용되지 않으며, 이러한 속성은 독립적으로 그리고 안사츠 의존적 방식으로 수정될 수 있습니다.
• 하드웨어 인식 설계의 필요성: 추상적 회로 설계에서 도출된 결론은 실제 구현으로 전환되지 않을 수 있습니다. 따라서 VQA 의 정확한 특성화는 트랜스파일링으로 인한 구조적 변환을 명시적으로 고려한 평가 프레임워크가 필요합니다.

저자들은 "수동적인" 컴파일 단계가 중요한 아키텍처 교란으로 작용할 수 있으므로, 변분 양자 알고리즘의 신뢰할 수 있는 설계와 배포를 위해서는 하드웨어 인식 평가가 필수적이라고 결론지었습니다.