⚛️ quantum physics

QCOEM: Quantum Cloud Orchestration with Evolutionary Multi-Objective Optimization

본 논문은 이종 백엔드 간의 태스크를 동적으로 스케줄링하기 위해 진화 다목적 최적화(구체적으로 NSGA-II/III)와 증강 달성 스칼라화 함수를 결합하여, 기존의 노이즈 불가지론적 휴리스틱에 비해 현저히 높은 실행 충실도와 제로 재스케줄링을 달축하는 양자 클라우드 오케스트레이션 프레임워크인 QCOEM을 제안한다.

원저자: Tam N. Pham, Hoa T. Nguyen, Quan Le-Trung

게시일 2026-07-29

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Tam N. Pham, Hoa T. Nguyen, Quan Le-Trung

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

양자 교통 체증 (The Quantum Traffic Jam)

컴퓨터가 단순히 숫자를 세는 것을 넘어 확률과 함께 춤을 추는 세상을 상상해 보십시오. 이것이 바로 **양자 컴퓨팅(quantum computing)**의 영역입니다. 이곳은 기계가 '큐비트(qubit)'라고 불리는 아주 작은 입자들을 사용하여 슈퍼컴퓨터가 수천 년 걸릴 문제를 해결하는 분야입니다. 하지만 현재 이 기계들은 마치 연약하고 변덕스러운 예술가와 같습니다. 과학자들은 이 단계를 "노이즈가 있는 중간 단계 양자(Noisy Intermediate-Scale Quantum, NISQ)" 시대라고 부릅니다. 이를 고성능 레이스카에 비유하자면, 날씨에 굉장히 민데한 자동차와 같습니다. 약간의 정전기나 미세한 온도 변화만으로도 성능을 망칠 수 있기 때문입니다.

이 기계들은 매우 희귀하고 비싸기 때문에 모든 사람이 하나씩 구입할 수는 없습니다. 대신, 클라우드에서 슈퍼컴퓨터를 대여하는 것과 마찬가지로 인터넷을 통해 서비스 형태로 제공됩니다. 이를 **양자 서비스형 모델(Quantum-as-a-Service)**이라고 합니다. 그러나 이렇게 연약하고 서로 제각각인 양자 컴퓨터 군단을 관리하는 것은 악몽과 같습니다. 어떤 기계는 빠르지만 실수가 잦고, 어떤 기계는 느리지만 매우 정확합니다. 어떤 기계는 고장 난 부분(노이즈라고 불림)이 있고, 대기열(대기 줄)은 매초 변합니다. 만약 복잡한 수학 문제를 잘못된 시간에 잘못된 기계로 보내면, 그 결과값은 쓰레기가 될 수 있습니다. 과학자들의 핵심 질문은 이것입니다: "시스템을 무너뜨리지 않으면서, 어떻게 하면 가장 빠르고 정확하게 최선의 답을 얻을 수 있도록 어떤 작업을 어떤 기계에 할당할지 자동으로 결정할 것인가?"

스마트 스케줄러: QCOEM

연구자 팜 탐 N.(Tam N. Pham), 응우옌 호아 T.(Hoa T. Nguyen), 그리고 콴 레-트룽(Quan Le-Trung)이 제안한 양자 클라우드의 새로운 "교통 경찰", QCOEM을 소개합니다. 작업을 할당할 때 단순하고 구식인 규칙(예: "다음 작업을 비어 있는 첫 번째 기계에 보내라")을 사용하는 대신, QCOEM은 **진화적 다목적 최적화(Evolutionary Multi-Objective Optimization)**라는 영리하고 자연에서 영감을 받은 전략을 사용합니다.

이것이 왜 특별한지 이해하기 위해, 여러분이 서로 싫어하는 세 명의 심사위원이 있는 거대한 학교 장기 자랑 행사를 기획한다고 상상해 보십시오. 심사위원 A는 행사가 최대한 빨리 끝나기를 원합니다. 심사위원 B는 시간이 더 걸리더라도 모든 공연이 완벽하기를 원합니다. 심사위원 C는 한 무대는 너무 붐비고 다른 무대는 비어 있지 않도록 무대 배분을 공정하게 하길 원합니다. 만약 여러분이 심사위원 A만을 만족시키려 한다면, 행사는 빠르게 끝나겠지만 형편없는 공연들로 가득 찰 것입니다. 만약 심사위원 B만을 만족시키려 한다면, 행사는 끝없이 길어질 것입니다.

기존 방식들은 이 심사위원들을 하나의 점수로 합치려고 시도했지만, "완벽한" 균형은 직선이 아니라 찾기 어려운 복잡하고 구부러진 형태이기 때문에 자주 실패했습니다. 반면, QCOEM은 개미 떼의 진화와 같은 알고리즘을 사용합니다. 이 알고리 is 알고리즘은 장기 자랑의 공연들을 무대에 배치하는 수천 가지의 서로 다른 방법을 시도합니다. 단순히 하나의 "최선"의 답을 찾는 것이 아니라, 속도, 정확성, 그리고 공정성의 균형을 맞추는 "충분히 좋은" 옵션들의 전체 메뉴를 찾아냅니다. 그런 다음, 특수한 결정 도구(AASF)를 사용하여 사용자가 그 순간 가장 중요하게 생각하는 바에 따라 단 하나의 최적의 스케줄을 선택합니다.

연구진은 다섯 가지 유형의 "가상" 양자 컴퓨터가 있는 시뮬레이션된 양자 클라우드에서 이 시스템을 테스트했습니다. 그들은 화학 및 금융 분야에서 사용되는 실제 양자 문제들을 시스템에 입력하고, 기존의 단순한 방식들과 비교하여 성능을 관찰했습니다.

결과는 유망했습니다. 이 시뮬레이션에서 QCOEM은 작업을 재스케줄링할 필요를 완전히 제거한 반면, 기존 방식들은 고장 난 기계에 작업이 할당되어 작업을 다시 대기열로 보내야 하는 경우가 많았습니다. 더 중요한 점은, 평균 답변 품질(피델리티, fidelity)이 노이즈를 무시하는 방식보다 약 30% 더 높았다는 것입니다. 또한, 시스템의 "가중치"(시스템에 속도에 집중할지 혹은 정확도에 집중할지 알려주는 것)를 조정함으로써 사용자가 다양한 결과를 얻을 수 있음을 보여주었습니다:

속도를 원할 경우, 시스템은 가장 빠른 기계들에 집중했지만, 이는 때때로 긴 대기 줄과 낮은 정확도를 초래했습니다.
품질을 원할 경우, 시스템은 가장 신뢰할 수 있는 기계들을 선택하여 정확도를 0.376(기존 방식 대비)에서 약 0.505까지 높였지만, 전체 시간은 증가했습니다.
균형을 원할 경우, 시스템은 모든 기계에 부하가 고르게 분산되도록 하는 최적의 지점을 찾아냈습니다.

이 시스템이 결정을 내리는 데 시간이 조금 더 걸리긴 하지만(50개의 작업이 있는 큰 배치에 대해 1초 미만이 걸리는 단순한 방식과 달리 약 94.58초 소요), 연구진은 이것이 합리적인 절충안이라고 제안합니다. 실제 기계 앞에서 몇 시간 또는 며칠을 기다려야 하는 양자의 세계에서, 작업을 완벽하게 할당하기 위해 1~2분을 쓰는 것은 충분히 가치 있는 일이기 때문입니다.

이 논문은 QCOEM이 양자 클라우드 컴퓨팅을 더 안정적이고 신뢰할 수 있게 만드는 길을 제시한다고 결론짓습니다. 이 시스템이 우주의 모든 문제를 해결했다고 주장하는 것은 아니지만, 오늘날의 노이즈가 많은 양자 하드웨어의 복잡한 현실을 헤쳐 나가는 훨씬 더 똑똑한 방법을 제공합니다. 스케줄링 문제를 단순한 경주가 아닌 복잡한 균형 잡기로 다룸으로써, QCOEM은 우리가 마침내 양자 컴퓨터의 완전한 힘을 활용하게 되었을 때, 잘못된 답변 때문에 시간을 낭비하지 않도록 도와줍니다.

기술 요약: QCOEM – 진화적 다목적 최적화를 이용한 양자 클라우드 오케스트레이션

1. 문제 정의

양자 컴퓨팅의 실질적인 배포는 클라우드 기반의 양자 서비스형 소프트웨어(QaaS) 플랫폼으로 이동했습니다. 그러나 현재의 하드웨어는 제한된 큐비트 수, 게이트/측정 오류, 짧은 결맞음 시간(coherence times), 그리고 제한된 연결성을 특징으로 하는 노이즈가 있는 중간 규모 양자(NISQ) 시대에 머물러 있습니다. 결정적으로, 이러한 노이즈 프로파일과 토폴로지는 장치마다 다르며 시간이 지남에 따라 변동하므로, 동일한 회로라도 실행 백엔드에 따라 실행 충실도(fidelity)가 크게 달라질 수 있습니다.

기존의 클라우드 오케스트레이터는 주로 클래식 클러스터에서 처리량(throughput)을 극대화하고 지연 시간(latency)을 최소화하도록 설계된 노이즈 불가지론적(noise-agnostic) 휴리스틱(예: Greedy, Round Robin)에 의존합니다. 이러한 전략을 양자 워크로드에 적용하면 백엔드별 오류 특성을 무시하기 때문에 체계적으로 최적이 아니게 됩니다. 이는 다음과 같은 결과를 초래합니다:

실행 충실도 저하.
부하 불균형 (고품질 장치에 큐잉 핫스팟 발생).
실행 불가능한 할당 또는 오래된 상태 정보로 인한 빈번한 작업 재스케줄링.

핵심 과제는 스케줄러가 세 가지 상충하는 목표를 동시에 탐색해야 하는 **다목적 최적화 문제(MOOP)**로 정식화됩니다: 평균 완료 시간 최소화, 실행 오류율 최소화, 그리고 부하 불균형 최소화입니다. 이 문제 공간은 회로 깊이에 따른 연산당 오류의 곱셈적 누적으로 인해 비볼록(non-convex)하며, 이로 인해 고전적인 가중치 합 스칼라화(weighted-sum scalarization) 방법은 파레토 프런트(Pareto front)의 오목한 영역에서 최적해를 복구할 수 없으므로 효과적이지 않습니다.

2. 방법론: QCOEM 프레임워크

저자들은 다목적 태스크 스케줄링을 위해 진화 알고리즘을 활용하는 양자 클라우드 오케스트레이션 프레임워크인 QCOEM을 제안합니다. 이 시스템은 이상적인 분석 모델 대신 실시간 하드웨어 데이터를 활용하도록 설계된 노이즈 및 지연 인식형 시스템입니다.

시스템 아키텍처

QCOEM은 다음을 포함하는 쿠버네티스(Kubernetes) 기반 인프라에 배포됩니다:

중앙 집중식 스케줄러 (Centralized Scheduler): 글로벌 큐를 관리하고, 들어오는 태스크를 배치(batch) 단위로 묶으며, 컨트롤 플레인 역할을 수행합니다. 주기적인 하트비트(heartbeat)로부터 파생된 클러스터의 캐싱된 상태를 유지합니다.
QNodes (양자 노드): 캘리브레이션된 스냅샷(예: 커플링 맵, 게이트 지속 시간, 오류율)을 사용하여 특정 양자 백엔드를 에뮬레이션하는 데이터 평면 워커입니다. 이들은 FIFO(First-In-First-Out) 큐를 통해 회로를 순차적으로 실행하고 가용성 및 큐 상태를 하트비트로 보고합니다.

수학적 정식화

오케스트레이션 작업은 하드웨어 제약 조건(분할 불가능한 태스크, 고유한 할당, 큐비트 용량) 하에서 목적 벡터 $F(X) = [f_1, f_2, f_3]$ 를 최소화하는 것으로 정의됩니다:

평균 완료 시간 ( $f_1$ ): 시스템 내에서 태스크가 머무는 평균 시간을 최소화하며, 이는 현재 큐잉 지연(하트비트 텔레메트리에서 유도됨)과 회로의 임계 경로(critical path)를 기반으로 추정된 실행 시간의 합으로 계산됩니다.
평균 오류율 ( $f_2$ ): 대상 QNode에서의 개별 게이트 및 측정 연산의 성공 확률을 곱하여 추정함으로써 실패 확률의 평균을 최소화합니다.
부하 불균형 ( $f-3$ ): 큐잉 핫스팟을 방지하고 공정한 활용을 보장하기 위해 모든 QNode 간의 완료 시간 표준 편차를 최소화합니다.

최적화 전략

이 NP-hard 조합 문제를 해결하기 위해 QCOEM은 파레토 최적 프런트를 근사하기 위해 **비지배 정렬 유전 알고리즘(NSGA-II 및 NSGA-III)**을 채택합니다.

비볼록성 처리: 가중치 합 접근 방식과 달리, 진화 알고리즘은 목적 공간의 비볼록 영역을 탐색할 수 있습니다.
의사 결정: 비지배 집합으로부터 단일의 실행 가능한 스케줄을 선택하기 위해, 프레임워크는 **증강 성취 스칼라화 함수(AASF)**를 적용합니다. 이 함수는 사용자 정의 선호도 가중치( $w$ )에 따라 파레토 집합을 단일 솔루션으로 매핑하여, 시스템이 서로 다른 서비스 수준 계약(SLA, 예: 속도 우선 vs 충실도 우선)에 적응할 수 있도록 합니다.

3. 주요 기여

본 논문은 세 가지 주요 기여를 명시합니다:

프레임워크 제안: 캘리브레이션된 하드웨어 스냅샷과 하트비트 기반 큐잉 추정치를 통합하여 완료 시간, 오류율, 부하 불균형을 공동으로 최적화하는 노이즈 및 지연 인식형 오케스트레이션 프레임워크인 QCOEM을 도입했습니다.
알고리즘 혁신: 태스크-대-QNode 할당을 근사하기 위한 NSGA-II 및 NSGA-III의 적용과, 더불어 선호도 기반 선택을 위한 AASF를 결합했습니다. 저자들은 AASF 기반 의사 결정과 명시적인 부하 불균형 목적 함수를 양자 스케줄링에 결합한 최초의 프레임워크 중 하나라고 언급했습니다.
실증적 평가: 이질적인 양자 클라우드 환경에서 MQTBench 워크로드를 사용하여 포괄적인 평가를 수행하였으며, 지연 시간, 충실도 및 안정성 사이의 트레이드오프를 입증했습니다.

4. 성능 결과

프레임워크는 5개의 IBM 퀀텀 백엔드를 에뮬레이션하는 5개의 QNode가 존재하는 이질적 환경에서 MQTBench 워크로드(VQE 및 QAOA 알고리즘 포함)를 처리하며 평가되었습니다.

베이스라인 대비 충실도: 노이즈 불가지론적 베이스라인(Greedy, Round Robin, Random)과 비교했을 때, QCOEM은 약 30% 더 높은 평균 충실도를 달로했습니다. 예를 들어, Greedy가 약 0.376의 평균 충실도를 달성한 반면, NSGA-II/III는 이를 약 0.49까지 높였습니다.
재스케줄링: 프레임워크는 제로(0)의 태스크 재스케줄링을 달성한 반면, 노이즈 불가지론적 휴리스틱은 종종 재실행이 필요한 실행 불가능한 할당을 트리거했습니다.
트레이드오프:
- 부하 중심(Load-Focus): 부하 균형을 우선시하는 구성은 큐잉 지연을 완화하여 전체 완료 시간을 단축했습니다 (예: NSGA-II의 경우 ~5.68s).
- 품질 중심(Quality-Focus): 충실도를 우선시하면 평균 충실도는 ~0.505로 높아졌으나, 전체 완료 시간과 부하 불균형은 늘어났습니다.
- 속도 중심(Speed-Focus): 속도를 위한 공격적인 라우팅은 실행 시간을 최소화했지만, 대기 시간과 부하 불균형을 크게 증가시켜 궁극적으로 엔드 투 엔드 지연 시간과 충실도를 저하시켰습니다.
알고리즘 견고성: NSGA-II는 반복 실행 시 특히 "Balanced" 구성에서 NSGA-III보다 더 높은 견고성과 낮은 분산을 보여주었습니다.
오버헤드: MOEA의 스케줄링 오버헤드는 단순 휴리스틱보다 높았습니다 (예: 배치 크기 50에 대해 NSGA-II는 ~94s, Greedy는 <1s). 그러나 저자들은 QaaS 환경에서 QPU 큐잉이 엔드 투 엔드 지연 시간의 대부분을 차지한다는 점을 고려할 때, 중간 규모 이상의 배치에서 최적화된 자원 할당이 주는 이점이 제어 평면의 지연 시간보다 크다고 주장합니다.

5. 의의 및 주장

본 논문은 Q-COEM이 노이즈, 큐잉 역학, 부하 불균형을 공동으로 모델링하는 엔드 투 엔드 클라우드 네이티브 워크플로우의 부재라는 중요한 격차를 해결한다고 주장합니다.

안정성 및 충실도: 프레임워크는 노이즈 불가지론적 라우팅의 함정을 피함으로써 안정적이고 높은 충실도의 실행을 제공하는 메커니즘을 제공합니다.
사용자 중심 제어: AASF를 활용함으로써, 운영자는 시스템을 재설계하지 않고도 특정 우선순위(속도, 품질 또는 균형)에 따라 라우팅 동작을 동적으로 조정할 수 있습니다.
확장성: 진화적 탐색의 계산 비용을 인정하면서도, 클라우드 환경의 전형적인 배치 워크로드의 경우 최적화된 스케줄링의 이점이 스케줄링 오버헤드를 정당화한다는 것을 결과가 시사합니다.

저자들은 노이즈 인식 스케줄링이 양자 클라우드 컴퓨팅이 이론적 조사를 넘어 신뢰할 수 있고 고성능인 서비스로 나아가기 위해 필수적인 진화라고 결론짓습니다. 향후 연구로는 더 넓은 범위의 심층 강화 학습 기법과의 벤치마킹 및 실제 양자 하드웨어에서의 검증이 제안되었습니다.