⚛️ quantum physics

How Many Shots Does It Take? A Noise-Aware Quantum Resource Allocation Framework

본 논문은 폐쇄형 해석 모델과 최적의 샷 할당 기법을 특징으로 하는 노이즈 인식 프레임워크를 제안하며, 이는 기존 방식과 비교하여 양자 알고리즘 실행 샷, 에너지 소비 및 총 오차를 크게 감소시킨다.

원저자: Prateek P. Kulkarni, Sumit K. Mandal

게시일 2026-07-28

📖 6 분 읽기🧠 심층 분석

원저자: Prateek P. Kulkarni, Sumit K. Mandal

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

매우 시끄러운 방에서 비밀 메시지를 보내려고 한다고 상상해 보세요. 만약 당신이 딱 한 번만 속삭인다면, 상대방은 당신이 "apricot(살구)"이라고 말했는데도 "apple(사과)"이라고 들을 수도 있습니다. 상대방이 정확한 단어를 들었는지 확신하기 위해, 당신은 그 메시지를 백 번 정도 크게 외칠 수도 있을 것입니다. 만약 60명이 "apple"이라고 듣고 40명이 "apricot"이라고 들었다면, 당신은 진실이 무엇인지 추측할 수 있습니다. 양자 컴퓨팅의 세계에서 이 "외치는 행위"를 **샷(shot)**을 취한다고 부릅니다. 양자 컴퓨터는 미립자의 기묘한 규칙을 사용하여 문제를 해결하는 기계이지만, 이는 마치 허리케인 속의 속삭임처럼 소음에 극도로 민감합니다. 이 때문에 과학자들은 신뢰할 수 있는 답을 얻기 위해 동일한 계산을 반복해서 수행해야 합니다(많은 샷을 취함). 문제는 실제 양자 컴퓨터에서 계산을 실행할 때마다 비용, 시간, 그리고 많은 에너지가 든다는 점입니다. 따라서 이 기계들을 사용하려는 사람들에게 던져지는 큰 질문은 이것입니다: "확실하게 맞히기 위해 실제로 몇 번이나 외쳐야 하는가?" 너무 적게 외치면 쓰레기 같은 결과를 얻게 되고, 너무 많이 외치면 자원을 낭비하게 되어 작업을 마치기도 전에 시간이나 돈이 바닥날 수 있습니다.

이것이 바로 Prateek P. Kulkarni와 Sumit K. Mandal이 그들의 논문 "얼마나 많은 샷이 필요한가?(How Many Shots Does It Take?)"에서 다룬 퍼즐입니다. 저자들은 현재 사람들이 대개 너무 안전하게 가기 위해 지나치게 많이 외치는 등, 샷을 얼마나 취해야 할지 짐작으로 결정하고 있다는 점을 깨달았습니다. 저자들은 당신의 특정 컴퓨터가 얼마나 노이즈가 심한지에 따라, 신뢰할 수 있는 결과를 얻기 위해 정확히 몇 번의 계산을 실행해야 하는지 알려주는 새로운 수학 기반의 "레시피"를 만들었습니다. 이것은 단순히 "비가 올 수도 있다"라고 말하는 것이 아니라, 습도와 풍속에 따라 정확히 몇 개의 우비를 사야 하는지 알려주는 일기예보 앱과 같습니다.

하지만 두 번째 반전이 있습니다. 때때로 양자 문제는 너무 거대해서 컴퓨터가 한 번에 해결할 수 없습니다. 이는 마치 너무 좁은 계단에서 거대한 피아노를 옮겨야 하는 것과 같습니다. 피아노를 조각조각 나누어 하나씩 운반한 뒤 다시 합쳐야 합니다. 저자들은 모든 조각에 똑같은 양의 노력(동일한 횟수의 샷)을 쏟는 것이 나쁜 아이디어라는 것을 발견했습니다. 어떤 조각은 더 무겁거나 미끄러울(노이즈가 많을) 수 있기 때문입니다. 그들의 새로운 방법은 당신의 "외치는 예산"을 어떻게 나누어야 할지, 즉 미끄러운 조각에는 추가적인 주의를 기울이고 쉬운 조각에는 딱 필요한 만큼만 할애할지를 정확히 결정해 줍니다.

실험에서 그들은 이 아이디어를 IBM의 실제 양자 컴퓨터에 테스트했습니다. 그들은 이 새로운 공식을 사용함으로써 현재의 관행보다 샷 수를 약 58% 줄일 수 있다는 것을 발견했습니다. 이것은 작은 절약이 아닙니다. 이는 에너지 소비를 최대 **62%**까지 줄일 수 있음을 의미합니다. 또한, 큰 문제를 조각으로 나누고 스마트한 분배 전략을 사용했을 때, 기존 방식에 비해 최종 답변의 총 오차를 최대 **73%**까지 줄였습니다(평균 감소율 63%). 그들은 단순히 짐작한 것이 아니라, 실제 하드웨어에서 알고리즘을 실행하여 자신들의 수학이 현실과 일치함을 증명했으며, 샷 수를 세는 데 있어 약 98%, 계산이 혼란스러워지기 전까지 얼마나 깊게 들어갈 수 있는지 파악하는 데 있어 약 **95%**의 정확도를 보였습니다.

소음 섞인 속삭임의 이야기

이것이 왜 중요한지 이해하기 위해, 양자 컴퓨터가 어떻게 작동하는지 살펴봅시다. 0 또는 1의 비트를 사용하는 일반 노트북과 달리, 양자 컴퓨터는 동시에 0과 1의 상태에 모두 존재할 수 있는 "큐비트(qubit)"를 사용합니다. 이 덕분에 매우 강력하지만, 동시에 매우 취약하기도 합니다. 외부 세계와 상호작용하는 순간, 큐비트는 "노이즈"가 생기고 특수한 상태를 잃어버립니다. 이를 해결하기 위해 과학자들은 동일한 프로그램을 반복해서 실행합니다. 각 실행이 하나의 "샷"입니다.

당신이 안개가 자욱한 창문을 통해 사람들의 평균 키를 추측하려고 한다고 상상해 보세요. 한 번만 본다면 모두가 거인이라고 생각할 수도 있습니다. 열 번을 본다면 좀 더 나은 생각을 가질 수 있습니다. 천 번을 본다면 평균 키를 매우 정밀하게 알 수 있을 것입니다. 하지만 천 번을 보는 것은 시간이 오래 걸리고 눈을 피로하게 만듭니다. 저자들은 이렇게 물었습니다: "95% 확신하기 위해 최소한 몇 번을 봐야 하는가?"

그들은 답이 두 가지 요소, 즉 당신의 눈이 얼마나 좋은지(컴퓨터의 품질)와 안개가 얼마나 짙은지(노이즈)에 달려 있다는 것을 발견했습니다. 그들은 컴퓨터의 사양(예를 들어, 큐비트가 사라지기 전까지 지속되는 시간인 $T_1$ 및 $T_2$ )을 입력받아 필요한 샷의 수를 정확히 알려주는 하나의 깔끔한 수학 공식(closed-form equation)을 작성했습니다. 이전에는 사람들이 안전을 위해 무작정 높은 숫자를 선택하곤 했는데, 이는 400번이면 충분할 메시지를 1,000번이나 외치는 것과 같았습니다.

부서진 피아노의 퍼즐

이제, 양자 문제가 컴퓨터가 한 번에 담기에 너무 커서 처리할 수 없는 상황을 가정해 봅시다. 컴퓨터에는 "깊이 제한(depth limit)"이 있는데, 이는 컴퓨터가 지치거나 실수를 하기 전까지 수행할 수 있는 최대 단계 수와 같습니다. 만약 당신의 문제가 1,200단계인데 컴퓨터가 285단계만 처리할 수 있다면, 당신은 문제를 더 작은 덩어리로 나누어야 합니다.

이 문제를 해결하는 기존 방식은 문제를 조각으로 나누고 각 조각에 동일한 횟수의 샷을 부여하는 것이었습니다. 저자들은 이것이 무겁고 미끄러운 상자와 가볍고 마른 상자를 언덕 위로 옮길 때 똑같은 도움을 주는 것과 같다고 주장했습니다. 무거운 상자에는 더 많은 도움이 필요합니다! 양자 세계에서는 회로의 어떤 부분들이 다른 부분보다 더 "노이즈가 많습니다." 만약 노이즈가 많은 부분에 추가적인 샷을 주지 않는다면, 최종 답변은 틀리게 될 것입니다.

저자들은 "라그랑주 승수(Lagrange multipliers)"라는 수학적 도구를 사용하여 새로운 전략을 만들었습니다(이는 저울의 균형을 맞추는 아주 똑똑한 계산기라고 생각하면 됩니다). 그들은 노이즈가 많은 회로 부분에는 더 많은 샷을 주고, 조용한 부분에는 적은 샷을 주어야 한다는 것을 알아냈습니다. 그들은 이 방법이 전체 오차를 최소화한다는 것을 증명했습니다.

그들이 발견한 것

저자들이 실제 IBM 양자 컴퓨터(특히 Marrakesh, Torino, Fez 모델)에서 자신들의 아이디어를 테스트했을 때, 결과는 인상적이었습니다.

샷 수(The Shot Count): 그들의 공식은 약 98.2%의 정확도로 필요한 샷 수를 예측했습니다. 예를 들어, 양자 푸리에 변환(QFT) 알고리즘을 테스트했을 때, 예측 오차는 약 1.87%에 불과했습니다. 이는 시간을 낭비하지 않고도 코드를 실행할 횟수를 정확히 알려줄 수 있음을 의미합니다.
에너지 절감(The Energy Savings): 필요한 샷 수를 평균 58% 줄였기 때문에 에너지 소비도 함께 줄였습니다. 테스트 결과, 1,0{0} 샷당 최대 **62%**의 에너지를 절감했습니다. 이는 자동차의 연비가 갑자기 60% 좋아진 것과 같습니다.
오차 감소(The Error Reduction): 문제를 조각으로 나누고 스마트한 할당 전략을 사용했을 때, 기존의 "균등 배분" 방식에 비해 총 오차를 평균 63% 줄였습니다. 가장 좋은 경우에는 오차 감소율이 **73%**에 달했습니다.

또한 그들은 회로가 너무 노이즈가 심해지기 전까지 얼마나 깊게 갈 수 있는지도 확인했습니다. 그들의 수학은 이 "최대 깊이"를 약 95%의 정확도로 예측했습니다. 이는 과학자들이 코딩을 시작하기도 전에 특정 머신에서 얼마나 큰 문제를 해결할 수 있는지 알 수 있게 해줍니다.

이것이 변화시키는 것

이 논문은 단순히 새로운 이론을 제시하는 것이 아니라, 흔히 "노이즈가 있는 중간 규모 양자(NISQ)" 시대라고 불리는 현재의 양자 컴퓨팅 시대를 위한 실질적인 도구를 제공합니다. 현재 양자 컴퓨터는 비싸고 접근하기 어렵습니다. 연구자가 작업을 실행할 때마다 돈과 시간을 소모하고 있습니다. 이 "노이즈 인식(noise-aware)" 프레임워크를 사용함으로써, 연구자들은 짐작하는 것을 멈추고 계산을 시작할 수 있습니다. 그들은 더 적은 샷으로 알고리즘을 실행하여 에너지를 아끼고, 더 정확한 결과를 얻을 수 있습니다.

저자들은 노이즈를 이해하고 자원을 현명하게 배분하는 것만으로도, 미래의 완벽하고 오류가 없는 기계를 갖추기 전인 지금 이 순간에도 양자 컴퓨터를 훨씬 더 유용하게 만들 수 있음을 보여주었습니다. 이는 때때로 앞으로 나아가는 최선의 방법이 더 큰 기계를 만드는 것이 아니라, 우리가 가진 기계를 훨씬 더 똑똑하게 사용하는 것임을 상기시켜 줍니다.

기술 요약: 노이즈 인지형 양자 자원 할당 프레임워크

문제 정의

근사적 양자 컴퓨터(near-term quantum computers)에서 양자 알고리즘을 실제로 실행하는 것은 하드웨어 노이즈, 제한된 게이트 충실도(gate fidelities), 그리고 신뢰할 수 있는 통계적 결과를 얻기 위해 필수적인 반복적인 회로 실행(shots)에 의해 심각하게 제약받습니다. 현재의 접근 방식들은 두 가지 주요한 비효율성에 직면해 있습니다:

샷 추정(Shot Estimation): 연구자들은 종종 이상적인 노이즈 모델을 사용한 클래식 시뮬레이션이나 실제 하드웨어에서의 경험적 시행착오에 의존하며, 이는 신뢰할 수 없는 예측을 낳거나 계산 자원과 에너지를 낭비하는 과도한 샷 수를 초반하게 됩니다.
자원 할당(Resource Allocation): 회로의 깊이(depth)가 하드웨어 깊이 제한을 초과하는 경우, 회로는 더 작은 서브 회로(sub-circuits)로 분할되어야 합니다. 전통적인 전략은 총 샷 예산을 각 분할 영역에 균등하게 배분합니다. 이러한 "균등 할당"은 개별 서브 회로의 특정 노이즈 분산, 회로 깊이 및 큐비트 자원을 무시하며, 이로 인해 하위 최적의 오차 누적과 더 높은 총 추정 오차를 초래합니다.

핵독심 과제는 목표 성공 확률을 달위하기 위해 필요한 정확한 샷 수를 결정하고, 특정 하드웨어 노이즈 파라미터를 고려하면서 고정된 샷 예산을 회로 분할 영역에 최적으로 배분하는 것입니다.

방법론

저자들은 논문의 그림 2에 예시된 바와 같이, 세 단계의 분석 과정을 거치는 통합된 노이즈 인지형 프레임워크를 제안합니다:

1. 폐쇄형 샷 추정 (Closed-Form Shot Estimation)

프레임워크는 목표 성공 확률( $P(s)$ )을 달성하기 위해 필요한 최적의 샷 수( $s$ )를 계산하기 위해 폐쇄형 해석적 표현식(식 6)을 도출합니다.

모델링: 샷의 성공은 최대 충실도( $F_{max}$ )를 가진 베르누이 무작위 변수로 모델링됩니다. 총 성공 확률은 다수결 기준( $P(S_n \geq s/2)$ )을 통해 정의됩니다.
노이즈 통합: 모델은 결맞음 시간( $T_1, T_2$ ), 게이트 오류 확률( $p_g$ ), 회로 실행 시간( $t_{circ}$ )을 포함한 하드웨어 노이즈 파라미터를 통합합니다. 이러한 요소들은 물리적 결맞음 모델로부터 유도된 노이즈 분산 항( $\sigma^2_{noise}$ )에 기여합니다(식 7).
결과: 역함수를 사용하여 $s$ 에 대해 해를 구함으로써, 프레임워크는 신뢰성을 위한 샷 수를 결정하기 위한 정확한 공식을 제공하며, 이를 통해 휴리스틱한 과잉 샘플링(over-sampling)의 필요성을 제거합니다.

2. 최대 깊이 및 분할 (Maximum Depth and Partitioning)

도출된 샷-노이즈 관계를 사용하여, 프레임워크는 특정 양자 장치가 목표 신뢰성을 유지하면서 지원할 수 있는 최대 실행 가능 회로 깊이( $d_{max}$ )를 계산합니다(식 9).

분할 로직: 알고리즘의 원래 깊이( $d_{original}$ )가 $d_{max}$ 를 초과하는 경우, 프레임워크는 필요한 최소 분할 수( $m$ )를 계산합니다(식 10). 이는 모든 서브 회로가 하드웨어의 충실도 한계 내에서 작동하도록 보장합니다.
제약 조건: 유도 과정은 비둘기집 원리에 따라 최대 분할 깊이가 적어도 $d_{original}/m$ 이 되도록 최대한 균형 잡힌 분할을 가정합니다.

3. 최적 샷 할당 (Optimal Shot Allocation)

고정된 총 샷 예산( $S$ )과 $m$ 개의 분할 영역이 주어졌을 때, 프레임워크는 총 제곱 추정 오차( $E = \sum \sigma^2_i / s_i$ )를 최소화하기 위해 분할 영역 간에 샷( $s_i$ )을 배분하는 최적화 문제를 정식화합니다.

최적화: 라그랑주 승수법을 사용하여, 저자들은 정확한 할당 공식(식 12)을 도출합니다.
전략: 최적의 전략은 각 분할의 노이즈 분산( $\sigma_i$ )에 비례하여 샷을 할당합니다. 깊이, 큐비트 수 또는 하드웨어 결함으로 인해 노이즈가 높은 분할은 더 많은 샷을 받는 반면, 노이즈가 낮은 분할은 더 적은 샷을 받습니다. 이는 이러한 분산을 무시하는 기존의 균등 할당과 대조됩니다.

주요 기여

해석적 샷 표현식: 하드웨어 노이즈 파라미터( $T_1, T_2, p_g, F_{max}$ )를 명시적으로 포함하여 샷 수와 성공 확률 사이의 관계를 나타내는 폐쇄형 방정식을 제공합니다.
최적 할당 전략: 회로 분할 영역에 샷 예산을 배분하여 추정 오차를 최소화하는 이론적으로 근거 있는 기법을 제공합니다. 이 방법은 각 분할의 노이즈 분산에 비례하여 샷을 할당함으로써 오차를 최소화합니다.
통합 프레임워크: 샷 추정, 깊이 계산, 분할 및 자원 할당을 통합하여 하드웨어 제약과 알고리즘 요구 사항 사이의 간극을 메우는 체계적인 워크플로우를 제공합니다.

실험 결과

프레임워크는 다섯 가지 양자 알고리즘(QFT, QST, VQE, QAOA, Shor's)에 대해 세 가지 IBM 양자 프로세서(Marrakesh, Torino, Fez)에서 평가되었습니다.

모델 정확도:
- 해석적 샷 추정(식 6)은 IBM Marrakesh에서의 실험 결과와 비교하여 평균 **98.2%**의 정확도를 달성했습니다.
- 최대 깊이 추정(식 9)은 평균 **95%**의 정확도를 달성했습니다.
샷 감소: 현재의 관행(보수적인 과잉 샘플링)과 비교했을 때, 제안된 기술은 신뢰할 수 있는 실행을 위해 필요한 총 샷 수를 약 58% 감소시킵니다.
오차 감소: 고정된 샷 예산을 배분할 때, 최적 할당 전략은 기존의 균등 샷 할당과 비교하여 총 추정 오차를 최대 **73%**까지(자동화된 회로 커팅과 결합 시 평균 63%) 감소시킵니다.
에너지 효율: 샷 수를 줄임으로써, 프레임워크는 극저온 냉각을 포함한 전체 스택 전력 소비를 고려할 때 에너지 소비를 최대 62%(평균 59%) 감소시킵니다.

의의 및 주장

본 논문은 다음을 위한 최초의 통합 프레임워크를 제공한다고 주장합니다:

주어진 신뢰성에 필요한 최적의 샷 수.
근본적인 하드웨어 파라미터에 기반하여 양자 기계가 지원할 수 있는 최대 회로 깊이.
실행 오차를 최소화하기 위한 회로 분할 영역 간의 최적 샷 분포.

저자들은 이 작업이 휴리스틱이나 적응형 방법론을 넘어, 이론적으로 근거가 있는 노이즈 인지형 해석 모델을 제공한다는 점을 강조합니다. 샷의 "낭비적인 과잉 프로비저닝"을 제거하고 자원 배분을 최적화함으로써, 이 프레임워크는 복잡한 양자 알고리즘을 현재의 NISQ(Noisy Intermediate-Scale Quantum) 장치에서 더욱 실용적이고 경제적으로 실행 가능하게 만듭니다. 결과는 새로운 하드웨어를 요구하지 않고도 기존 자원을 최적화하는 것만으로도 신뢰성과 에너지 효율성을 크게 향상시킬 수 있음을 시사합니다.