⚛️ quantum physics

Comparing and learning figures of merit for quantum circuit compilation

본 논문은 먼저 필요한 컴파일 게이트를 추정하고 그 다음 하드웨어 노이즈를 반영함으로써, 양자 장치에 적합한 고품질 회로를 선택하는 데 있어 기존의 지표들을 크게 능가하는 새로운 가중치 부여 성능 지표(wPST)를 예측하는 머신러닝 프레임워크를 제안한다.

원저자: Harshdeep Singh, Marvin Richter, Mats Granath, Anton Frisk Kockum

게시일 2026-07-23

📖 3 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Harshdeep Singh, Marvin Richter, Mats Granath, Anton Frisk Kockum

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

완벽한 케이크를 굽고 싶다고 상상해 보세요. 하지만 당신에게는 일반적인 주방이 없습니다. 대신, 열기가 무작별로 요동치는 혼란스럽고 시끄러운 오븐과, 당신의 믹싱 볼이 조리대의 특정 지점에만 연결될 수 있는 환경을 가지고 있습니다. 이것이 현재 양자 컴퓨팅의 현실입니다. 과학자들은 중첩(두 곳에 동시에 존재하는 것)과 얽힘(입자 사이의 기묘한 연결) 같은 양자 역학의 독특한 법칙을 사용하여, 슈퍼컴퓨터가 해결하는 데 수천 년이 걸릴 문제를 해결할 수 있는 기계들을 만들고 있습니다. 하지만 이 기계들은 매우 취약합니다. 이들은 전문가들이 말하는 '노이즈가 있는 중간 단계(noisy intermediate-scale)' 시대에 놓여 있는데, 이는 기계가 강력하긴 하지만 오류가 발생하기 쉽고, 그 부품들(큐비트)이 항상 서로 직접 대화할 수 있는 것은 아님을 의미합니다.

이 어수선한 하드웨어에서 양자 알고리즘을 작동시키려면, 당신은 그것을 "컴파일(compile)"해야 합니다. 컴파일을 완벽한 주방을 위해 작성된 레시피를 당신의 혼란스러운 주방에서도 실제로 따라 할 수 있는 일련의 지침으로 번역하는 과정이라고 생각해 보세요. 당신은 재료를 적절한 그릇에 도달하게 하기 위해 추가적인 단계(SWAP 게이트)를 더하거나, 휘스크가 맞지 않는다면 휘스크 대신 숟가락으로 교체하는 등의 추가적인 조치를 취해야 할 수도 있습니다. 여기서 큰 질문은, 어떤 지침 세트가 실제로 맛있는 케이크를 만들어낼 것인지 어떻게 알 수 있느냐는 것입니다. 당신은 오븐을 켜기도 전에 당신의 레시피가 얼마나 좋은지 측정할 방법이 필요합니다. 여기서 "성능 지표(figures of merit)"가 등장합니다. 이는 본질적으로 양자 회로가 얼마나 잘 작동할지를 보여주는 성적표와 같습니다.

이 논문은 완벽한 성적표를 찾는 까다로운 문제를 다룹니다. 찰머스 공과대학교와 예테보리 대학교의 하르쉬딥 싱(Harshdeep Singh)과 그의 팀은 기존의 양자 회로 채점 방식이 너무 단순하거나 계산하기 너무 어렵다고 주장합니다. 레시피의 단계 수를 세는 것과 같은 단순한 점수는 확인하기는 쉽지만, 케이크가 실제로 맛있는지는 알려주지 않습니다. 반대로, "완벽한" 점수를 얻으려면 실제로 케이크를 굽고(회로를 실행하고) 맛을 봐야 하는데, 모든 가능한 레시피 변형에 대해 이를 수행하는 것은 시간이 너무 오래 걸립니다.

연구팀은 wPST(weighted Probability of Successful Trials, 가중치가 부여된 성공 실험 확률)라는 더 똑똑한 성적표를 제안합니다. 당신이 학생의 시험을 채점한다고 상상해 보세요. 기존 방식(PST)은 모든 정답을 맞혀야만 100점을 받는다고 말합니다. 단 하나라도 틀리면 0점을 받습니다. 이는 너무 가혹하며, 학생이 내용의 99%를 알고 있었는지 아니면 단 10%만 알고 있었는지 알려주지 않습니다. 새로운 wP much PST 방식은 더 관대하고 정보가 풍부합니다. 부분 점수를 주는 것입니다. 만약 10문제 중 9문제를 맞혔다면 0.9점을 받습니다. 이는 기계가 노이즈가 많고 작은 오류가 불가피한 상황에서, 결과의 "좋음"을 훨씬 더 잘 포착해 줍니다.

하지만 이 새로운 점수를 계산하는 것조차도 보통 회로를 실행해야 하므로 느립니다. 이를 해결하기 위해 저자들은 머신러닝 모델, 즉 디지털 두뇌를 훈련시켜서 레시피(회로)와 주방의 지도(하드웨어)를 보는 것만으로 wPST 점수를 예측하도록 했습니다. 그들은 이 모델에 수천 개의 사례를 입력하여, "단계가 너무 많음", "너무 많은 얽힌 재료", 또는 "주의 집중 시간이 짧은 큐비트 사용"과 같은 패턴을 인식하도록 가르쳤습니다.

결과는 유망합니다. 시뮬레이션과 실제 IBM 양자 컴퓨터를 이용한 테스트에서, 그들의 머신러닝 모델은 전통적인 방식보다 훨씬 높은 정확도로 회로의 성공을 예측했습니다. 게이트 수를 세는 것과 같은 기존 방식은 실제 성공과 약 40~50%의 상관관계만을 보였던 반면, 그들의 새로운 모델은 이 상관관계를 90% 이상으로 끌어올렸습니다. 이는 엄청난 개선이며, 실질적으로 예측 정확도를 50% 이상 높인 것입니다.

실제 양자 컴파일러에서 유용하게 사용하기 위해, 저자들은 또한 2단계 트릭을 설계했습니다. 보통은 회로가 특정 기계에 맞춰 완전히 번역되기 전까지는 최종 점수를 알 수 없습니다. 하지만 그들의 시스템은 먼저 기계가 얼마나 많은 추가 단계(예를 들어 GPS가 경로를 얼마나 우회하게 할지 예측하는 것과 같은)를 추가할지 먼저 추측할 수 있고, 그 추측을 사용하여 최종 wPST 점수를 예측할 수 있습니다. 이를 통해 컴파일러는 느리고 비용이 많이 드는 테스트를 먼저 거치지 않고도 즉각적으로 최선의 레시피를 선택할 수 있습니다.

요약하자면, 이 논문은 더 똑똑한 부분 점수 채점 시스템(wPST)과 훈련된 빠른 AI 예측기를 결합함으로써, 우리가 더 나은 양자 회로를 더 빠르게 구축할 수 있음을 시사합니다. 이것이 양자 컴퓨팅의 모든 문제를 해결하는 것은 아니지만, 오늘날의 노이즈가 많고 요동치는 양자 하드웨어라는 거친 파도를 헤쳐 나갈 수 있는 훨씬 더 신뢰할 수 있는 방법을 제공하여, 우리가 완벽한 양자 케이크에 더 가까워지도록 도와줍니다.

기술 요약: 양자 회로 컴파일을 위한 성능 지표(Figures of Merit)의 비교 및 학습

문제 정의
노이즈가 있는 중간 규모 양자(NISQ) 시대에, 고수준 알고리즘을 실행하려면 연결성 제약과 노이즈 프로파일을 준수하는 하드웨어 특화 회로로 컴파일해야 합니다. 이 컴파일 과정은 최적의 회로를 찾기 위해 방대한 가능한 회로 공간을 탐색하는 과정을 포함합니다. 이 탐색을 가이드하기 위해 컴파일러는 회로의 품질을 정량화하는 성능 지표(Figures of Merit, FoM)에 의존합니다. 그러나 FoM을 계산하는 데 드는 계산 비용과 실제 실행 품질을 예측하는 정확도 사이에는 근본적인 트레이드오프가 존재합니다.

단순 FoM: 회로 깊이(depth), 총 게이트 수, 2-큐비트 게이트 수와 같은 지표는 계산 비용은 저렴하지만, 하드웨어 노이즈 및 회로 구조의 구체적인 영향을 포착하지 못하여 실제 실행 충실도(fidelity)와의 상관관계가 낮습니다.
복잡한 FoM: 출력 상태 충실도 또는 거리 기반 측정값(예: 헬링거 거리)은 높은 정확도를 제공하지만, 계산 비용이 매우 높거나(종종 큐비트 수에 따라 지수적으로 스케일링됨) 하드웨어에서 직접 회로를 실행해야 하므로 반복적인 컴파일 과정에 사용하기에는 너무 느립니다.
PST의 한계: 성공적 시도 확률(Probability of Successful Trials, PST)은 회로와 그 역행렬을 실행한 후 초기 상태로 돌아올 확률을 측정하며, 충실도와 높은 상관관계를 보이지만 두 가지 주요 단점이 있습니다. 첫째, 시스템 크기에 따라 지수적으로 민감하게 반응하여(큐비트 수 $n$ 이 증가함에 따라 급격히 감소) 시스템 크기에 취약하며, 둘째, 이진적 성격을 띠어(단 하나의 비트 플립만으로도 점수가 0이 됨) 미세한 오류와 주요 오류를 구분하지 못합니다.

방법론
저자들은 이러한 한계를 해결하기 위해 다각적인 접근 방식을 제안합니다:

가중치 적용 PST (wPST) 도입:
본 논문은 전체 상태가 올바를 것을 요구하는 대신, 측정 결과에서 올바른 비트의 개수를 고려하는 PST의 변형인 wPST를 도입합니다.
- 정의: wPST는 각 측정 결과에 대해 비트 플립이 발생하지 않은 비트의 비율(해밍 가중치)을 기준으로 가중치 $w_i$ 를 할당합니다. 이는 가중치가 임계값( $w_{th} = 0.5$ )을 초과하는 결과들의 확률을 합산합니다.
- 특성: 독립적인 오류 발생 시 $n$ 에 따라 지수적으로 감소하는 PST와 달리, wPST는 오류율에 따라 선형적으로 감소하며 $n$ 에 크게 의존하지 않습니다. 이는 확장성을 부여하며, 서로 다른 수준의 노이즈(예: 1개 비트 플립과 2개 비트 플립의 구분)를 구별할 수 있게 합니다.
머신러닝 예측 프레임워크:
wPST(또는 PST)를 직접 계산하려면 하드웨어에서 회로를 실행하거나 고충실도 시뮬레이터를 사용해야 하므로, 저자들은 이러한 값들을 예측하기 위한 머신러닝(ML) 모델을 개발했습니다.
- 특징 공학(Feature Engineering): 입력 특징 벡터는 다음을 결합합니다:
  - 회로 수준 특징: 회로의 유향 비순환 그래프(DAG)에서 유도된 총 게이트 수, 깊이, 2-큐비트 게이트 수, 얽힘 비율(entanglement ratio), 병렬성(parallelism), 활력(liveliness), 프로그램 통신(program communication).
  - 하드웨어 수준 특징: 특정 큐비트에 매핑된 큐비트별 결맞음 데이터( $T_1$ 및 $T_2$ 시간)를 사용하여 게이트 지속 시간에 따른 실패 확률을 추정합니다.
- 모델 선택: 저자들은 다양한 결정 트리 기반 모델(Random Forest, Bagging, CatBoost)을 평가하였으며, 낮은 훈련/예측 시간과 높은 정확도의 균형을 갖춘 XGBoost를 선택했습니다.
- 훈련 데이터: 모델은 무작위로 생성된 양자 회로와 Munich Quantum Toolkit (MQT) 벤치마크 데이터셋을 사용하여 훈련되었으며, 레이블은 시뮬레이션(시뮬레이터의 경우) 또는 실제 IBM 하드웨어 실행(하드웨어의 경우)을 통해 생성되었습니다.
비-트랜스파일된(Non-Transpiled) 회로를 위한 2단계 예측:
컴파일러가 트랜스파일되지 않은 회로를 평가할 때 ML 예측기를 유용하게 만들기 위해, 저자들은 2단계 프로세스를 고안했습니다:
- 1단계: 입력 회로와 타겟 하드웨어의 커플링 맵을 바탕으로 트랜스파일된 회로의 특징 벡터(예: 추가되는 SWAP 게이트 수 및 결과적인 프로그램 통신량)를 예측합니다.
- 2단계: 이 예측된 특징 벡터를 훈련된 wPST 모델에 입력하여 최종 성능 지표를 추정합니다.

주요 결과
저자들은 수치 시뮬레이션과 4개의 IBM 양자 장치(Strasbourg, Torino, Miami, Brussels)에서의 실험을 통해 접근 방식을 검증했습니다.

우수한 상관관계: ML로 예측된 wPST 및 PST는 전통적인 회로 기반 지표보다 성능이 월등히 뛰어났습니다.
- 12-큐비트 시뮬레이터에서, 예측된 wPST와 실제 wPST 사이의 상관관계는 무작위 회로에서 0.925, MQT 벤치마크에서 0.880에 도달했습니다. 이는 회로 깊이나 게이트 수의 경우 약 0.65~0.70 수준인 것과 대조적입니다.
- 실제 하드웨어에서 예측된 wPST의 평균 상관관계는 0.89였던 반면, 전통적인 지표들은 평균 0.47~0.53을 기록했습니다.
- 이는 표준 FoM과 비교했을 때 실제 실행 품질과의 상관관계가 50% 이상 향상되었음을 의미합니다.
확장성 및 견고성:
- wPST 예측의 평균 제곱근 오차(RMSE)는 큐비트 수가 증가함에 따라 비교적 일정하게 유지되어 확장성을 입증했습니다.
- wPST는 판독 오류(readout error)에 대해 강건함(곱셈적 방식이 아닌 가산적 방식으로 진입)을 보였으며, 6개 이상의 큐비트에서 거의 0으로 떨어지는 PST보다 더 세밀한 노이즈 평가를 제공했습니다.
특징 중요도: 분석 결과, 모델은 "프로그램 통신"(큐비트 상호작용 밀도)과 2-큐비트 게이트 수에 크게 의존하고 있었으며, 이는 이러한 물리적 속성이 실행 품질을 예측하는 데 핵심적임을 확인시켜 줍니다.

의의 및 주장
본 논문은 머신러닝으로 예측된 고정밀 FoM을 양자 컴파일 파이프라인에 통합하는 것이 정확도-효율성 트레이드오프에 대한 실질적인 해결책을 제공한다고 주장합니다.

최적의 트레이드오프: 제안된 방법은 실제 실행 품질(전체 시뮬레이션의 정확도에 근접)을 제공하면서도 다항 시간의 계산 복잡도를 유지함으로써 파레토 최적해(Pareto frontier)의 "스윗 스팟"을 점유합니다.
실용적 유용성: 2단계 프로세스를 통해 비-트랜스파일된 회로에 대한 wPST를 추정할 수 있게 함으로써, 컴파일러가 수백만 개의 회로 변형을 하드웨어에서 실행하는 과도한 비용 없이도 정보에 입각한 결정을 내릴 수 있도록 합니다.
개선된 컴파일: 저자들은 이러한 ML 예측 FoM을 사용하는 것이 다양한 하드웨어 플랫폼에서 양자 알고리즘의 컴파일 결과를 개선하고 실행 품질을 높일 수 있다고 주장합니다.

저자들은 향후 과제에 대해 신중한 태도를 유지하며, 본 연구가 중요한 진전이지만 이러한 모델을 라이브 컴파일러에 완전히 통합하고, PST 기반 지표에 내재된 "이중 깊이(double depth)" 문제(검증 회로가 원래 회로보다 두 배 큰 문제)를 해결하기 위한 추가적인 작업이 필요하다고 언급했습니다.

유사한 논문