💻 computer science

A Distributed Quantum Approximate Optimization Algorithm Simulator for Engineering Design Optimization

이 논문은 단일 및 다중 양자 처리 장치 전반에 걸쳐 이차 무제약 이진 최적화(QUCO) 문제를 효율적으로 해결하고 비교할 수 있는, 그래픽 인터페이스와 발전 단위 제약 문제와 같은 공학적 응용 분야에서의 효과 입증을 특징으로 하는 오픈 소스 기반의 Qiskit 호환 분산 양자 근사 최적화 알고리즘(DQAOA) 시뮬레이터를 소개한다.

원저자: Ali Rajabi, Milad Hasanzadeh, Amin Kargarian

게시일 2026-06-26

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ali Rajabi, Milad Hasanzadeh, Amin Kargarian

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

큰 그림: 양자 문제 해결을 위한 새로운 도구

당신에게 아주 거대하고 믿기지 않을 정도로 복잡한 퍼즐이 있다고 상상해 보세요. 당신은 가장 높은 점수를 얻기 위해 조각들을 배치하는 단 하나의 최적의 방법을 찾아내야 합니다. 공학 세계에서는 이를 **최적화(optimization)**라고 부릅 합니다. 보통 우리는 이러한 퍼즐을 강력한 고전 컴퓨터로 해결합니다. 하지만 퍼즐이 커질수록, 가장 뛰어난 고전 컴퓨터조차 어려움을 겪기 시작합니다.

여기에 **양자 컴퓨터(Quantum Computers)**가 등장합니다. 이들은 한 번에 많은 배치 방식을 살펴볼 수 있는 초강력 퍼즐 해결사와 같습니다. 하지만 이들은 아직 "유아기" 단계에 있습니다. 크기도 작고 연약하며, 한 번에 담을 수 있는 퍼즐 조각(큐비트)의 수도 적습니다.

이 논문은 DQAOA라고 불리는 새로운 소프트웨어 시뮬레이터(디지털 훈련장)를 소개합니다. 이것을 양자 컴퓨터를 위한 "비행 시뮬레이터"라고 생각하세요. 이 도구는 엔지니어들이 전체 퍼즐을 담을 수 있을 만큼 큰 양자 컴퓨터를 갖추기 전이라도, 양자 컴퓨터를 사용하여 거대한 최적화 퍼즐을 해결하는 방법을 테스트할 수 있게 해줍니다.

핵심 문제: 하나의 방 vs 여러 개의 방

이 논문은 QUBO(이차 무제약 이진 최적화)라고 불리는 특정 유형의 퍼즐에 집중합니다. QUBO 문제는 전등 스위치가 ON(1) 또는 OFF(0) 상태인 격자판이라고 생각하면 됩니다. 목표는 스위치를 조절하여 가능한 최고의 총점을 얻는 것입니다.

기존 방식 (Monolithic QAOA): 이 퍼즐을 단 하나의 방에서 해결하려고 한다고 상상해 보세요. 모든 스위치가 하나의 테이블 위에 있고, 한 명의 사람(양자 프로세서)이 그 스위치들을 모두 조작하려고 합니다. 작은 퍼즐에는 이 방식이 매우 효과적입니다. 하지만 퍼즐이 너무 커지면 방이 너무 붐비게 되고, 테이블도 충분히 넓지 않게 됩니다.
새로운 방식 (Distributed QAOA): 만약 퍼즐이 너무 커서 한 방에 들어갈 수 없다면 어떻게 할까요? 이 논문은 퍼즐을 여러 개의 방(여러 개의 양자 프로세서)으로 나누는 방안을 제안합니다.
- 과제: 만약 스위치 A는 1번 방에 있고 스위치 B는 2번 방에 있는데, 점수를 결정하기 위해 두 스위치가 서로 상호작용해야 한다면 어떻게 소통할 수 있을까요?
- 해결책: 이 시뮬레이터는 "텔레포테이션(순간이동)" 기술(이를 TeleGate라고 부름)을 사용합니다. 스위치를 직접 옮기는 것이 아니라, 방 사이에 특별한 "전화선"(얽힘, entanglement)을 만들어 스위치들이 물리적으로 이동하지 않고도 서로의 움직임을 조율할 수 있게 합니다.

이 논문이 실제로 구축한 것

저자들은 단순히 이론만 쓴 것이 아니라, 복잡한 작업을 수행하는 완전한 오픈 소스 소프트웨어 패키지를 구축했습니다. 그 과정은 다음과 같습니다.

번역기 (The Translator): 복잡한 공학 문제(예: 발전소 계획)를 양자 컴퓨터가 이해할 수 있는 "전등 스위치" 언어(QUBO)로 번역합니다.
설계자 (The Architect): 퍼즐을 어떻게 나눌지 결정합니다. 스위치 1과 2를 1번 방에 넣을까요? 스위치 3은 2번 방으로 보낼까요? 이 설계자는 "전화 통화"(방 사이의 상호작용) 횟수를 최소화하도록 다양한 레이아웃을 시도합니다. 왜냐하면 이러한 통화는 느리고 비용이 많이 들기 때문입니다.
건축가 (The Builder): 양자 회로(양자 컴퓨터를 위한 레시피)를 구성합니다. 어떤 스위치를 로컬에서 조작하고, 어떤 스위치에 "텔레포테이션" 기술이 필요한지 정확히 알고 있습니다.
코치 (The Coach): 시뮬레이션을 실행하고, 실수를 하고, 배우고, 다시 시도합니다. 더 빠르게 최적의 스위치 설정을 찾기 위해 스마트한 훈련 방법(SPSA)을 사용합니다.
대시보드 (The Dashboard): 코딩 전문가가 아니더라도 사용할 수 있도록 시각적 인터페이스(웹사이트와 같은 형태)를 구축했습니다. 퍼즐을 업로드하고 버튼을 클릭하기만 하면 결과와 최적의 솔루션, 그리고 얼마나 시간이 걸렸는지 확인할 수 있습니다.

"속도 해킹" (런타임 최적화)

저자들은 시뮬레이터가 너무 많은 반복 작업을 수행하느라 너무 느리게 작동한다는 것을 깨달았습니다. 마치 요리사가 양파 하나를 썰 때마다 주방 전체를 새로 짓는 것과 같습니다.

그들은 몇 가지 "속도 해킹"을 추가했습니다:

주방 재사용하기: 회로를 매번 새로 만드는 대신, 한 번 만든 뒤 "양념"(파라미터)만 바꿉니다.
일괄 처리 (Batching): 설정을 하나씩 테스트하는 대신, 한 그룹의 설정들을 한꺼번에 테스트합니다.
병렬 요리 (Parallel Cooking): 컴퓨터의 서로 다른 부분에서 여러 실험을 동시에 실행합니다.

이러한 해킹 덕분에 시뮬레이터는 특히 "다중 방"(분산형) 버전에서 훨씬 더 빠르게 작동하게 되었습니다.

결과: 정말 효과가 있는가?

팀은 두 가지 유형의 문제로 도구를 테스트했습니다:

표준 수학 퍼즐: 알려진 퍼즐들을 가져와 해결했습니다.
- 결과: "한 방" 방식과 "여러 방" 방식 모두 전통적인 컴퓨터 방식과 정확히 동일한 최적의 솔루션을 찾아냈습니다.
- 속도: "여러 방" 방식이 실행하는 데 더 오래 걸렸습니다. 이는 예상된 결과입니다. 방 사이를 조율하는 데 추가 시간이 필요하기 때문입니다(즉, "전화 통화" 시간). 하지만 소프트웨어는 연구용으로 사용하기에 충분히 빠르도록 만들었습니다.
실제 공학 (전력망): 이 도구를 단위 커밋(Unit Commitment) 문제를 해결하는 데 사용했습니다. 이는 돈을 아끼면서도 전기를 계속 공급하기 위해 어떤 발전소를 켜고 끌지 결정하는 것과 같습니다.
- 결과: 이 도구는 더 큰 공학 워크플로우에 성공적으로 통합되었습니다. 브루트 포스(무차별 대입) 방식을 사용하든, 단일 방 양자 방식을 사용하든, 혹은 다중 방 양자 방식을 사용하든, 모두 동일한 비용으로 동일한 최적의 계획에 도달했습니다.

결론

이 논문은 엔지니어들이 거대한 최적화 문제를 해결하기 위해 양자 컴퓨터를 사용하고자 할 때 쓸 수 있는 범용 툴킷을 제시합니다.

격차를 해소합니다: 거대한 양자 컴퓨터를 아직 갖지 못했더라도, 오늘 당장 "분산 양자 컴퓨팅"(여러 개의 작은 양자 컴퓨터를 함께 사용하는 것)을 테스트할 수 있게 해줍니다.
사용자 친화적입니다: 코드를 작성할 필요 없이 시각적 대시보드를 사용할 수 있습니다.
검증되었습니다: 고전적인 방식과 일관되게 작동하며, 전력망 관리와 같은 실제 공학 과제를 처리할 수 있습니다.

요약하자면, 그들은 복잡한 양자 최적화 문제를 여러 양자 프로세서에 걸쳐 실행하기 위한 운영 체제와 사용 설명서를 만들었으며, 이를 통해 이 첨단 기술을 지금 바로 엔지니어들이 사용할 수 있도록 만들었습니다.

기술 요약: 공학 설계 최적화를 위한 분산 양자 근사 최적화 알고리즘(DQAOA) 시뮬레이터

문제 정의
이진 최적화 문제, 특히 이차 무제약 이진 최적화(QUBO) 형식으로 정식화된 문제는 전력망 운영, 자원 할당, 네트워크 계획을 포함한 공학 설계 전반에서 매우 빈번하게 발생한다. 브랜치 앤 바운드(branch-and-bound)나 메타휴리스틱과 같은 고전적 솔버들이 널리 사용되고 있으나, 변수의 수와 결합 제약 조건이 증가함에 따라 확장성 문제에 직면한다. 양자 컴퓨팅은 특히 양자 근사 최적화 알고리즘(QAOA)을 통해 대안적인 프레임워크를 제공하며, 이는 중첩과 얽힘을 활용하여 거대한 이진 탐색 공간을 탐색한다. 그러나 실제 QAOA 구현은 현재 단일 양자 프로세싱 유닛(QPU)의 하드웨어 제약에 의해 제한되어 있으며, 이는 대규모 문제를 처리하는 데 필요한 큐비트 수나 상호작용 깊이를 수용하지 못한다. 또한, 기존 문헌은 특정 문제 설정이나 하드웨어 가정에 집중하는 경향이 있어, 모놀리식(단일 QPU) 및 분산(다중 QPU) 실행 모드 모두에서 QUBO 인스턴스를 일관되게 해결할 수 있는 일반적이고 재사용 가능한 소프트웨어 프레임워크가 부족하다.

방법론
저자들은 분산 QAOA(DQAOA) 프레임워크를 위한 Qiskit 호환 오픈 소스 시뮬레이터 패키지를 제시한다. 이 시스템은 고전적 참조 모드, 모놀리식 QAOA, 그리고 분산 QAOA를 지원하는 통합된 워크플로우를 통해 일반적인 QUBO 문제를 처리하도록 설계되었다.

문제 정식화 및 매핑: 프레임워크는 QUBO 입력(이차 행렬, 선형 벡터, 상수 항)을 받아 이를 정형화된 표현으로 변 변환한다. 이는 해밀토니안( $H_C$ )으로 매핑되며, 여기서 목적 함수 값은 해밀토니안의 고유값에 해당한다.
변수 할당 및 결합 식별: DQAOA 프레임워크의 핵심 구성 요소는 이진 변수를 사용자 지정된 수의 QPU(설정 가능한 용량 보유)에 할당하는 것이다. 패키지는 세 가지 할당 전략을 지원한다:
- 연속적(Contiguous): 용량에 따른 순차적 할당.
- 그래프 인식(Graph-aware): 강력하게 결합된 변수들을 동일한 QPU에 배치하여 QPU 간 통신을 최소화하는 그리디(greedy) 접근 방식.
- 수동(Manual): 사용자 정의 할당.
  할당이 완료되면, 이차 결합은 로컬(동일 QPU 내 변수) 또는 교차 QPU(서로 다른 QPU 간 변수)로 분류된다.
회로 구축:
- 모놀리식 모드: 모든 비용 및 믹서 연산이 단일 QPU 회로 내에서 구현된다.
- 분산 모드: 로컬 결합은 표준 ZZ 상호작용을 통해 구현된다. 교차 QPU 결합은 TeleGate 프로토콜을 사용하여 실현된다. 이 방식은 얽힌 통신 쌍, 중간 회로 측정, 그리고 고전적 피드포워드 보정을 사용하여 데이터 큐비트를 물리적으로 이동시키지 않고도 원격 2-큐비트 게이트를 시뮬레이션한다.
최적화 및 훈련: 프레임워크는 기대 비용을 최소화하기 위해 클래식 최적화 도구(SPSA 그래디언트 추정을 사용하는 Adam)가 회로 파라미터( $\gamma, \beta$ )를 업데이트하는 변분 루프(variational loop)를 채택한다. 견고성을 높이기 위해 시스템은 깊이 진행(depth progression, $p=1$ 에서 시작하여 증가)과 멀티 스타트 탐색(이전 깊이에서의 웜 스타트와 무작위 초기화를 결합)을 활용한다.
런타임 최적화 전략: 변분 루프의 높은 계산 오버헤드를 해결하기 위해, 패키지는 다음과 같은 효율성 조치를 구현한다:
- 파라미터화된 회로 재사용: 회로는 문제 구성당 한 번만 구축 및 트랜스파일되며, 이후의 평가는 새로운 파라미터 값만을 바인딩한다.
- SPSA 그래디언트: 좌표별 유한 차분 그래디언트를 동시 섭동(simultaneous perturbation)으로 대체하여, 반복당 단 두 번의 목적 함수 평가만 필요로 한다.
- 배치 평가: 여러 파라미터 벡터를 단일 실행 요청에서 동시에 평가한다.
- 병렬 실행: 독립적인 멀티 스타트 최적화 실행을 동시에 수행한다.
사용자 인터페이스: Streamlit 기반의 그래픽 사용자 인터페이스(GUI)를 통해 사용자는 파이썬 스크립트를 수정하지 않고도 입력을 구성하고, 솔버 설정을 조정하며, 결과를 시각화할 수 있다.

주요 기여

일반화된 시뮬레이터: 본 논문은 단일 일관된 워크플로우 내에서 모놀리식 및 분산 QAOA 모드 모두를 통해 일반적인 QUBO 인스턴스를 해결할 수 있는 최초의 오픈 소스 Qiskit 호환 시뮬레이터를 소개한다.
분산 실행 프레임워크: 변수 할당, 로컬/교차 QPU 결합 식별, 그리고 다중 QPU 실행을 위한 TeleGate 기반 원격 게이트 구현을 포함한 완전한 구현을 제공한다.
런타임 최적화: 저자들은 근본적인 수학적 문제나 알고리즘을 변경하지 않고도 소프트웨어 수준의 최적화(회로 재사용, SPSA, 배칭)를 통해 상당한 런타임 감소를 달ی할 수 있음을 입증한다.
공학적 통합: 이 패키지는 더 큰 공학 워크플로우 내의 모듈형 솔버로서 입증되었으며, 특히 전력 발전 유닛 커밋먼트(UC)를 위한 3블록 교대 방향법(ADMM) 프레임워크에 통합되었다.

결과
프레임워크는 6, 12, 15, 20개의 변수를 가진 QUBO 인스턴스와 15개 변수의 유닛 커밋먼트(UC) 문제에 대해 평가되었다.

솔루션 정확도: 테스트된 모든 사례(UC 애플리케이션 포함)에서 모놀리식 QAOA, 분산 QAOA, 그리고 브루트 포스/고전적 참조 모드는 동일한 최적 비트스트링과 운전 비용을 복구하였다. 이는 분산 구현이 모놀리식 베이스라인과 솔루션 일관성을 유지함을 확인시켜 준다.
런타임 성능:
- 최적화 영향: 단계별 런타임 분석 결과 상당한 감소가 나타났다. 12개 변수 인스턴스의 경우, 회로 재사용, SPSA, 배칭 구현을 통해 분산 QAOA 런타임이 약 18,929초(베이스라인)에서 약 1,224초(완전 최적화)로 감소했다.
- 분산 오버헤드: 최적화에도 불구하고, DQAOA는 모놀리식 QAOA보다 현저히 느렸다(예: 6개 변수에서 62초 vs 4초; 12개 변수에서 1224초 vs 11초). 저자들은 이를 교차 QPU 상호작용을 위해 필요한 TeleGate 연산(추가 큐비트, 측정, 리셋 및 피드포워드)의 구조적 복잡성 때문으로 설명한다.
- 확장성: 문제 규모가 커짐에 따라 고전적 브루트 포스와 양자 방법 간의 런타임 격차가 벌어졌으며, 다중 QPU 실행의 오버헤드가 더욱 지배적이 되었다.

의의 및 주장
본 논문은 이 연구의 주요 의의가 분산 양자 최적화를 연구하기 위한 재사용 가능하고 접근 가능하며 재현 가능한 소프트웨어 기초를 제공하는 데 있다고 주장한다. 이는 다음과 같은 도구를 제공함으로써 기존 문헌의 공백을 메운다:

동일한 문제 인스턴스에 대해 워크플로우를 재구축하지 않고도 모놀리식과 분산 QAOA의 성능을 비교할 수 있게 한다.
변수 할당 전략과 교차 QPU 결합 수가 런타임 및 솔루션 품질에 미치는 구체적인 영향을 분석할 수 있게 한다.
양자 솔버를 더 큰 고전적 공학 최적화 프레임워크(ADMM-UC 적용을 통해 입증됨)에 삽입할 수 있게 한다.

저자들은 이 도구를 "양자 우위"를 주장하기보다는 "기반 연구 도구"로서 겸손하게 규정한다. 그들은 DQAOA가 분산 실행을 위해 필요한 오버해드를 도입한다는 점을 인정하면서도, 이 시뮬레이터가 이러한 트레이드오프를 체계적으로 평가하고 근미래 양자 하드웨어를 위한 구현 전략을 정교화할 수 있게 해준다고 밝히고 있다. 소프트웨어는 RAISE LAB GitHub 저장소를 통해 공개적으로 제공된다.