⚛️ quantum physics

Distributed Variational Quantum Eigensolver: Embarrassingly Parallel strategies on NISQ

이 논문은 CUNQA 에뮬레이션 플랫폼을 사용하여 NISQ 장치에서의 변분 양자 고유값 솔버(VQE)를 위한 세 가지 매우 병렬적인(embarrassingly parallel) 전략을 평가하며, 이질적인 노이즈가 존재하는 환경에서 가속도와 정확도 사이의 절충 관계를 분석한다.

원저자: Marta Losada, Daniel Faílde, Andrés Gómez

게시일 2026-08-21

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Marta Losada, Daniel Faílde, Andrés Gómez

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

현재 양자 컴퓨팅의 세계는 '노이즈가 있는 중간 단계(noisy intermediate-scale)'라고 알려진 어렵지만 유망한 단계를 지나고 있습니다. 이 시기의 기계들은 고전 컴퓨터가 어려워하는 복잡한 계산을 수행할 수 있을 만큼 강력하지만, 여전히 결함으로 인해 어려움을 겪고 있습니다. 이러한 결함, 즉 '노이즈'는 기계가 실수를 유발하게 하여, 결과가 신뢰할 수 없게 되기 전까지 계산을 지속할 수 있는 시간을 제한합니다. 이러한 한계를 극복하기 위해 과학자들은 '분산 양자 컴퓨팅'이라 불리는 전략을 탐구하고 있습니다. 아직 존재하지 않는 하나의 거대하고 완벽한 기계에 의존하는 대신, 이 접근 방식은 여러 개의 작고 불완전한 기계들을 서로 연결하여 하나의 문제를 함께 해결하도록 합니다. 과제는 개별 기계의 결함이 최종 결과물을 망치지 않도록 이 여러 장치들 사이에 어떻게 작업을 분배할지 결정하는 데 있습니다.

이러한 기계들의 가장 중요한 과업 중 하나는 물리적 계의 최저 에너지 상태를 찾는 것인데, 이 과정은 '변분 양자 고유값 솔버(Variational Quantum Eigensolver)'라고 불립니다. 광활하고 안개가 자욱한 지형에서 가장 깊은 골짜기를 찾는 과정을 상상해 보십시오. 양자 컴퓨터는 지형을 감지할 수 있는 가이드 역할을 하고, 고전 컴퓨터는 가이드가 보고하는 내용에 따라 경로를 조정하는 항해사 역할을 합니다. 이 과정은 신뢰할 수 있는 측정을 얻기 위해 양자 기계가 동일한 계산을 수천 번 반복해서 실행해야 합니다. 이 작업은 반복 횟수가 매우 많기 때문에, 작업을 여러 장치로 나누기에 이상적인 후보입니다. 하지만 만약 그 장치들이 동일하지 않다면, 즉 한 대가 다른 기계들보다 더 노이즈가 심하다면, 작업이 분배되는 방식에 따라 결과의 속도와 정확도가 크게 달라질 수 있습니다.

스페인의 갈리시아 슈퍼컴퓨팅 센터 연구진은 이 작업을 가장 효과적으로 나누는 방법을 테스트하기 위해 연구를 수행했습니다. 그들은 기술이 여전히 발전 중인 단계이므로 실제 양자 컴퓨터를 사용하지 않았습니다. 대신, 그들은 'CUNQA'라는 정교한 시뮬레이션 플랫폼을 사용하여 가상 환경을 구축했습니다. 이 디지털 세계에서 그들은 IBM이나 OQC를 포함한 서로 다른 제조사의 실제 기계들이 가진 특정 오류와 노이즈 패턴을 모방하도록 프로그래밍된 가상 양자 프로세서 풀을 만들었습니다. 통제된 시뮬레이션 환경에서 실험을 수행함으로써, 연구진은 실제 하드웨어의 예측 불가능성 없이 노이즈의 영향을 격리하고 다양한 전략을 테스트할 수 있었습니다.

연구팀은 작업 부하를 분배하는 세 가지 뚜렷한 방법을 비교했습니다. 첫 번째 방법인 '샷 레벨 분배(shot-level distribution)'는 단일 계산을 가져와 필요한 총 측정 횟수를 더 작은 배치(batch)로 나누는 방식입니다. 이 배치들은 서로 다른 가상 기계로 전송되며, 결과는 나중에 결합됩니다. 두 번째 방법인 '회로 레벨 분배(circuit-level distribution)'는 전체의 별개 계산을 서로 다른 기계에 할당합니다. 이는 문제의 한 단계에서 시스템의 많은 부분을 동시에 평가해야 할 때 유용합니다. 세 번째 방법인 '후보 레벨 분배(candidate-level level distribution)'는 한 번에 많은 잠재적 솔루션을 테스트하는 특정 유형의 문제 해결 방식에 맞춰 설계되었습니다. 이 경우, 각 잠재적 솔루션은 독립적으로 평가되기 위해 서로 다른 기계로 보내집니다.

연구진은 가장 좋은 전략이 사용되는 문제 해결 방식과 가용 가능한 기계의 품질에 크게 달려 있다는 것을 발견했습니다. 단순히 측정을 나누는 것이 목표였을 때, 결과는 총 측정 횟수가 매우 많을 때만 이 방법이 잘 작동한다는 것을 보여주었습니다. 만약 측정 횟수가 적다면, 기계들 사이에 데이터를 주고받는 데 드는 시간이 병렬로 실행함으로써 절약되는 시간보다 더 커지게 됩니다. 그러나 작업 부하가 여러 개의 별개 계산을 실행하는 것을 포함할 때는, 회로를 여러 기계에 나누어 실행하는 것이 훨씬 더 효율적이었습니다.

노이즈의 영향에 관한 결정적인 발견이 나타났습니다. 시뮬레이션 결과, 모든 기계가 동일하게 만들어진 것은 아니며 이들을 혼합할 때는 주의가 필요하다는 점이 드러났습니다. 연구진이 탐색을 안내하기 위해 정밀한 기하학적 정보를 사용하는 방법을 사용했을 때, 그룹 내에 단 하나의 노이즈가 심한 기계만 있어도 전체 과정이 불안정해져 결과가 흔들리거나 수렴하지 못할 수 있었습니다. 반면, 많은 솔루션을 동시에 테스트하는 방식은 더 높은 회복력을 보였습니다. 이 방식은 많은 가능성을 동시에 평가하기 때문에, 가장 노이즈가 심한 기계의 결과는 무시하고 더 나은 결과에 집중할 수 있습니다. 또한 연구는 어떤 기계가 어떤 부분의 작업을 담당할지를 교대로 변경하는 것이 특정 장치가 일관되게 결과를 왜곡하는 것을 방지하여, 더 빠르고 신뢰할 수 있는 결과를 이끌어낸다는 것을 보여주었습니다.

궁극적으로, 이 연구는 양자 컴퓨터를 연결하는 데 있어 단 하나의 '만능 해결책'은 없다는 것을 입증합니다. 작업을 분배하는 가장 효과적인 방법은 사용되는 특정 알고리즘과 가용한 하드웨어의 특성에 따라 달라집니다. 어떤 문제에는 측정을 나누는 것으로 충분하지만, 다른 문제에는 전체 작업을 서로 다른 기계에 할당하는 것이 훨씬 우월합니다. 이 연구는 양자 기술이 성숙해지고 더 많은 장치가 서로 연결됨에 따라, 이러한 차이를 지능적으로 관리하는 능력이 기계 자체의 성능만큼이나 중요해질 것임을 시사합니다. 노이즈가 서로 다른 분산 전략과 어떻게 상호작용하는지 이해함으로써, 과학자들은 양자 컴퓨팅이 단일한 완벽한 기계를 향한 고독한 경주가 아니라 협력적이고 분산된 노력의 미래가 될 수 있도록 더 잘 대비할 수 있습니다.

기술 요약: 분산형 VQE: NISQ를 위한 엠바러싱리 패럴렐(Embarrassingly Parallel) 전략

문제 정의
변분 양자 고유치 알고리즘(VQE)은 노이로 중간 단계 양자(NISQ) 시대의 선도적인 알고리즘이지만, 높은 회로 실행 요구량으로 인해 상당한 확장성 문제를 안고 있다. 분산 양자 컴퓨팅(DQC)은 여러 양자 처리 장치(QPU)를 활용하여 확장성을 확보할 수 있는 경로를 제시하지만, 현재의 하드웨어 한계—특히 장치 간 양자 통신의 부재—로 인해 독립적인 작업들을 별도로 실행하고 이를 고전적 후처리 과정을 통해 결합하는 전략이 필요하다. 이러한 분산 환경에서의 핵심적인 복잡성은 **하드웨어 노이즈 이질성(Hardware Noise Heterogeneity)**이다. 서로 다른 QPU는 각기 다른 오류 프로파일(게이트 오류, 결맞음 해제, 판독 부정확성 등)을 가지며, 이는 백엔드의 차이를 고려하지 않고 작업을 분배할 경우 최적화 궤적을 왜곡하고, 최종 정확도를 저하시키며, 실행 효율성에 영향을 줄 수 있다.

방법론
저자들은 이질적인 가상 QPU(vQPU) 풀에 VQE 워크로드를 분산시키기 위한 세 가지 "엠바러싱리 패럴렐(Embarrassingly Parallel)" 전략을 조사한다. 본 연구는 구성 가능한 가상 QPU와 백엔드 종속적 노이즈 시뮬레이션을 지원하는 HPC 환경용 DQC 에뮬레이터인 CUNQA 플랫폼을 활용한다.

실험 설정은 다음과 같다:

대상 문제: 3개 층(layer)의 해밀토니안 변분 안사츠(HVA)를 사용하여 해결된 $N=6$ 스핀의 1차원 횡장 이징 모델(TFIM).
하드웨어 에뮬레이션: 2026년 6월 캘리브레이션 데이터를 사용하는 실제 IBM(Berlin, Boston, Marrakesh) 및 OQC(Qmio) 백엔드를 에뮬레이션하는 4개의 이질적인 vQPU 풀.
최적화 도구(Optimizers): 서로 다른 병렬화 요구 사항을 나타내는 세 가지 뚜렷한 최적화 도구:
1. COBYLA: 단계당 단일 비용 평가가 필요한 로컬 그래디언트 프리(gradient-free) 최적화 도구.
2. 양자 자연 경사법(QNG): 에너지, 그래디언트 및 양자 기하 텐서(QGT)를 위해 광범위한 회로 평가가 필요한 그래디언트 기반 최적화 도구.
3. 차분 진화 알고리즘(DE): 세대당 여러 후보 벡터를 평가하는 인구 기반(population-based) 그래디언트 프리 전역 최적화 도구.

평가된 세 가지 병렬화 전략

샷 레벨 분산(Shot-level Distribution): 단일 회로 실행을 위한 총 샷 예산( $M$ )을 배치(batch)로 나누어 사용 가능한 QPU들에 분배한다. 부분 카운트들을 집계하여 기대값을 계산한다.
회로 레벨 분산(Circuit-level Distribution): 단일 최적화 단계에 필요한 독립적인 회로들(예: 서로 다른 해밀토니안 항, 그래디언트 시프트 또는 QGT 요소)을 서로 다른 QPU에 할당한다.
후보 레벨 분산(Candidate-level Distribution): 인구 기반 최적화 도구(DE)에 특화된 방식으로, 인구 내의 각 후보 파라미터 벡터를 전체 비용 평가를 위해 별도의 QPU에 할당한다.

본 연구는 또한 특정 백엔드 노이즈 프로파일로부터 발생하는 체계적 편향을 완화하기 위해 작업 할당을 순환시키는 작업 할당 순열(Task Assignment Permutation) 전략을 평가한다.

주요 결과

최적화 경로 및 정확도:
- 샷 레벨: 결과는 장치 풀의 평균적인 품질을 반영한다. 노이즈가 집계된 카운트에 걸쳐 평균화되기 때문에 모든 최적화 도구가 저품질 백엔드의 포함에 유사하게 영향을 받는다.
- 회로 레벨: 이 전략은 특히 QNG에서 하드웨어 이질성에 높은 민감도를 보인다. 국소 기하 구조가 불량할 때 발생하는 QNG의 불안정성은 소수의 QGT 평가에 포함된 노이즈에 의해 악화되어 진동하는 수렴 양상을 보인다. DE는 비용 추정치가 불량한 백엔드에 의해 저하된 후보를 배제할 수 있는 선택 메커즘 덕분에 이 전략 하에서도 회복 탄력성을 유지한다.
- 후보 레벨: 회로 레벨과 유사하게, DE는 선택 메커니즘으로부터 이득을 얻는다. 순열 전략(작업 할당을 순환시키는 방식)은 특정 후보가 불량한 백엔드에 의해 지속적으로 불이익을 받는 것을 방지함으로써 약간의 개선을 제공한다.
속도 향상 및 병렬 효율성:
- 샷 레벨: 분산 및 집계 오버헤드가 실행 시간을 지배하기 때문에 낮은 샘플링 예산에서는 확장이 어렵다. 효율성은 높은 샷 수에서 크게 개선되며, 이는 이 전략이 측정 집약적인 영역에서 가장 유익함을 시사한다.
- 회로 레벨: QNG와 DE에 효과적이다. 이들은 본질적으로 단계당 여러 개의 독립적인 회로 평가를 요구하므로 효과적인 병렬화가 가능하다. QNG는 단계당 더 높은 회로 수를 가지므로 약간 더 나은 스케일링을 보인다.
- 후보 레벨: DE 최적화의 인구 크기가 커질수록 효과가 증가하며, 더 많은 독립적인 후보들을 동시에 평가할 수 있다.

의의 및 주장
본 논문은 분산형 VQE 전략의 적합성이 단순히 사용 가능한 QPU의 수에 의해 결정되는 것이 아니라, 최적화 도구의 구조, 작업의 입도(granularity), 그리고 백엔드 노이즈 이질성에 결정적으로 의존한다는 점을 주장한다.

최적화 도구 의존성: QNG와 같은 그래디덴트 기반 방법은 특정 회로 평가(예: QGT 항)의 노이즈에 매우 민적하며, 따라서 정교한 스케줄링 없이는 이질적인 풀에서 취약해질 수 있다. DE와 같은 인구 기반 방법은 고유한 선택 메커니즘 덕분에 더 큰 회복 탄력성을 보인다.
입도 트레이드오프: 샷 레벨 병렬화는 측정 시간을 줄이는 데 효과적이지만 낮은 샷 수에서는 오버헤드로 인해 어려움을 겪는다. 회로 및 후보 레벨 병렬화는 여러 독립적인 작업을 자연스럽게 생성하는 최적화 도구에 더 나은 스케일링을 제공한다.
노이즈 관리: 연구 결과, 순열 전략(작업 할당 순환)이 체계적 편향을 완화할 수는 있지만, 특히 민감한 그래디언트 기반 최적화 도구에 있어 수렴 안정성에 미치는 부정적인 영향을 완전히 제거하지는 못한다는 것을 보여준다.

본 연구는 CUNQA를 사용하여 다양한 분산 수준을 체계적으로 비교함으로써, 최적의 전략은 특정 최적화 알고리즘의 요구 사항과 가용 양자 하드웨어의 특성 사이의 상호작용에 따라 선택되어야 함을 입증한다.

유사한 논문