⚛️ quantum physics

BAHAMAS: A Control Plane for Optimization and Execution of Variational Quantum Circuits

이 논문은 시뮬레이터나 오프라인 학습을 요구하지 않으면서도 합의 기반 충실도 추정을 통해 물리적 큐비트 매핑을 적응적으로 선택함으로써 시간적 노이즈 드리프트와 정적 매핑 왜곡의 영향을 완화하고 변분 양자 알고리즘 최적화를 안정화하는 온라인 제어 프레임워크인 BAHAMAS를 소개한다.

원저자: Amit Samanta, Mohammad Abrarul Hasanat, Jason Ludmir, Ryan Stutsman, Tirthak Patel, Rohan Basu Roy

게시일 2026-09-01

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Amit Samanta, Mohammad Abrarul Hasanat, Jason Ludmir, Ryan Stutsman, Tirthak Patel, Rohan Basu Roy

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 컴퓨터는 새로운 의약품 설계부터 복잡한 물류 최적화에 이르기까지, 오늘날의 기계로는 불가능한 문제들을 해결할 것을 약속합니다. 이를 위해 양자 컴퓨터는 변분 양자 알고리즘(variational quantum algorithms)이라 불리는 특수한 클래스의 프로그램에 의존합니다. 이 프로그램들은 양자 프로세서와 고전 컴퓨터 사이의 파트너십처럼 작동합니다. 양자 기계는 특정 회로를 실행하고, 결과를 측정하여, 그 수치를 고전 컴퓨터로 보냅니다. 그러면 고전 컴퓨터는 양자 회로의 설정을 미세하게 조정하고 다시 실행하도록 요청합니다. 이 순환은 수천 번 반복되며, 고전 컴퓨터는 매 회차마다 양자 기계를 더 나은 답으로 유도하려고 노력합니다. 이러한 상호 작면의 목적은 결국 완벽한 해답을 찾아내는 것입니다.

하지만 이 파트너십은 고질적인 장애물에 직면해 있습니다. 양자 하드웨어는 본질적으로 불안정합니다. 정보를 전달하는 미세한 입자인 큐비트(qubit)는 주변 환경에 매우 민감합니다. 이들의 거동은 시간이 지남에 따라 변하며, 서로 상호작용하는 방식 또한 매 순간 달라집니다. 완상적인 세상이라면 고전 컴퓨터가 오늘 받은 수치가 어제 받은 수치와 직접 비교 가능하다는 가정을 할 수 있을 것입니다. 하지만 현실에서 하드웨어의 노이즈는 이 수치들을 왜곡합니다. 만약 노이즈가 결과의 순위를 뒤바꾸어, 더 나쁜 솔루션을 더 좋은 것처럼 보이게 만든다면 고전 컴퓨터는 혼란에 빠지게 됩니다. 결국 잘못된 경로를 따르게 되어 전체 과정이 진정한 해답을 찾는 데 실패하게 됩니다 됩니다.

유타 대학교와 라이스 대학교의 연구진은 이 불안정성을 해결하기 위해 BAHAMAS라는 새로운 시스템을 개발했습니다. 하드웨어의 변동을 피할 수 없는 사실으로 받아들이는 대신, BAHAMAS는 실시간으로 노이즈를 모니터링하는 빈틈없는 제어 평면(control plane) 역할을 합니다. 이 시스템은 구식이 될 수 있는 복잡한 시뮬레이션이나 사전 학습된 모델에 의존하지 않습니다. 대신, 양자 프로세서 스스로가 자신의 신뢰성을 점검하도록 합니다. 최적화 과정의 새로운 단계를 확정하기 전에, 시스템은 칩 위에서 동일한 회로의 여러 가지 버전을 동시에 실행합니다. 이러한 병렬 실행의 출력값을 비교함으로써, 시스템은 어떤 버전의 회로가 가장 일관되게 작동하는지 판단할 수 있습니다. 결과가 일치하면 시스템은 데이터를 신뢰하고 진행합니다. 만약 결과가 일치하지 않으면 노이즈가 너무 높다는 것을 인지하고 멈추어, 잘못된 데이터에 기반해 고전 컴퓨터가 실수를 저지르는 것을 방지합니다.

이 접근 방식의 핵심 통찰은 '완벽함보다 안정성이 중요하다'는 점입니다. 연구진은 단순히 매 순간 가장 좋아 보이는 단일 회로 레이아웃을 선택하는 것만으로는 충분하지 않다는 것을 발견했습니다. 왜냐하면 하드웨어가 변함에 따라 "최선"의 레이아웃도 바뀌기 때문입니다. 실제로 최적화의 품질을 보존하는 것은 단계와 단계 사이의 노이즈 노출을 일정하게 유지하는 것입니다. BAHAMAS는 칩의 물리적 구성 요소를 지속적으로 조정함으로써 이를 달성합니다. 시스템은 일정한 수준의 노이즈를 유지하는 특정 큐비트 배열을 선택하여, 한 단계와 다음 단계 사이의 비교가 공정하게 이루어지도록 합니다. 이를 통해 고전 최적화 도구가 왜곡된 신호가 아닌 명확한 신호를 볼 수 있게 합니다.

시스템을 테스트하기 위해 연구팀은 다양한 세대와 물리적 설계를 가진 IBM의 실제 양자 프로세서들을 대상으로 실험을 수행했습니다. 그들은 하드웨어 레이아웃을 처음에 한 번 정하고 절대 바꾸지 않는 표준적인 알고리즘 실행 방식과 BAHAMAS를 비교했습니다. 결과에 따르면, BAHAMAS는 알고리즘의 성능을 평균 20% 이상 향상시켰습니다. 더 중요한 점은, BAHAMAS가 결과를 훨씬 더 신뢰할 수 있게 만들었다는 것입니다. 연구진이 동일한 실험을 한 달 동안 여러 차례 반복했을 때, 표준 방식은 테스트가 수행된 시점에 따라 판이하게 다른 결과를 냈습니다. 반면, BAHAMAS는 날짜나 기계의 상태와 관계없이 매번 일관된 결과를 만들어냈습니다.

이 시스템은 하드웨어가 변경되는 상황에서도 효과적임이 입증되었습니다. 연구진은 한 양자 프로세서에서 훈련된 알고리즘을 완전히 다른 레이아웃을 가진 다른 프로세서에 배포하는 시나리오를 테스트했습니다. 보통 이런 경우 전체 훈련 과정을 처음부터 다시 시작해야 합니다. 그러나 BAHAMAS는 새로운 하드웨어의 노이즈 특성을 솔루션이 원래 발견되었던 조건에 맞춤으로써, 재학습 없이도 훈련된 솔루션을 새로운 기계에 적응시킬 수 있었습니다. 이러한 능력은 이 시스템이 일일 변동뿐만 아니라 기술 발전에 따른 서로 다른 유형의 양자 컴퓨터 간의 전환도 처리할 수 있음을 시사합니다.

양자 하드웨어가 개선되고 오류율이 낮아지더라도, 연구진은 이 제어 방식이 여전히 필요할 것이라고 믿습니다. 미래의 기계들은 오류가 더 적을 수는 있지만, 여데 드리프트(drift)와 변동은 여전히 존재할 것입니다. 연구는 하드웨어가 거의 완벽한 미래를 시뮬레이션했을 때도 BAHAMAS가 상당한 이점을 계속 제공한다는 것을 보여주었습니다. 최적화 과정을 안정화하는 이 시스템의 능력은 현재의 한계를 극복하기 위한 임시방편이 아니라, 이러한 알고리즘이 안정적으로 작동하기 위한 근본적인 요구 사항인 것으로 보입니다. 양자 노이즈의 혼돈스러운 특성을 관리 가능한 변수로 바꿈으로써, BAHAMAS는 양자 컴퓨팅을 실질적인 현실 문제를 해결하는 도구로 만드는 길을 제시합니다.

기술 요약: BAHAMAS – 변분 양자 회로의 최적화 및 실행을 위한 제어 평면(Control Plane)

문제 정의
변분 양자 알고리즘(VQAs)은 클래식 최적화 도구가 비용 평가를 바탕으로 파라미터를 업데이트하는 하이브리드 루프에 의존하며, 이 과정은 반복(iteration) 간의 비용 평가가 서로 비교 가능하다는 가정을 전제로 합니다. 그러나 현재의 양자 하드웨어는 두 가지 주요 요인으로 인해 이 가정을 위반합니다:

정적 매핑(Static Mappings): 트랜스파일러는 일반적으로 최적화 시작 시점에 논리 큐비트를 물리 큐비트에 한 번 할당합니다. 서로 다른 물리적 서브셋(subset)은 서로 다른 노이즈 프로파일에 노출됩니다.
시간적 노이즈 드리프트(Temporal Noise Drift): 고정된 물리적 매핑에 대해서도, 하드웨어 노이즈는 캘리브레이션 드리프트와 열적 변동으로 인해 시간이 지남에 따라 변동합니다.

이러한 요인들은 파라미터 구성의 상대적 순위를 예측 불가능하게 변화시킵니다. 경사 하강법 기반 최적화 도구는 (파라미터 시프트 규칙 등을 통해) 파라미터 구성의 상대적 비용을 비교하는 데 의존하기 때문에, 노이즈로 인한 순위 역전(ranking inversion)은 잘못된 업데이트 신호를 제공합니다. 이는 최적화 도구가 진정한 최솟값에 도달하지 못하고 손실 함수가 하위 최적값에서 불안정하게 정체되는 불안정한 수렴으로 이어집니다. 포스트 실행 에러 완화(post-execution error mitigation)나 노이즈 인지 컴파일(noise-aware compilation)과 같은 기존 솔루션들은 큐비트 매핑을 일회성 결정으로 취급하거나, 매 반복마다 매핑과 파라미터 업데이트 품질을 모두 제어하는 능력이 부족합니다.

방법론: BAHAMAS 제어 평면
저자들은 트랜스파일링, 실행, 그리고 파라미터 업데이트 계층 전체에서 작동하는 온라인 제어 프레임워크인 BAHAMAS를 제시합니다. 이들의 핵심 통찰은 최적화 품질을 보존하기 위해서는 단순히 단일 격리된 반복에서의 노이즈를 최소화하는 것이 아니라, 연속적인 반복 간의 **일관된 노이즈 노출(consistent noise exposure)**이 필요하다는 것입니다.

BAHAMAS는 다음의 세 가지 통합된 구성 요소를 통해 이를 달enc합니다:

노이즈 추정 및 안정화:
- 후보군 가지치기(Candidate Pruning): 클래식 TVD(Total Variation Distance) 추정기가 백엔드 캘리브레이션 데이터와 자원별 잔차(per-resource residuals)를 사용하여 수백 개의 후보 물리 매핑을 순위화하고, 소수의 탐색 세트( $K$ )를 선별합니다.
- 공동 배치 실행(Co-Located Execution): 후보들을 순차적으로 실행하는 대신(이는 서로 다른 노이즈 스냅샷에 노출될 위험이 있음), BAHAMAS는 $K$ 개의 후보 매핑을 하나의 작업(job)으로 묶어 양자 프로세서에 배치합니다. 이들은 중첩되지 않는 큐비트 서브셋 상에서 동시에 실행되어 동일한 시간적 노이즈 조건을 경험하게 됩니다.
- 합의 기반 참조(Consensus-Based Reference): 이상적인 시뮬레이터에 의존하는 대신(대규모 회로에서는 불가능함), BAHAMAS는 공동 배치된 출력으로부터 참조 분포를 구축합니다. 그룹 합의(group consensus)에 가장 가까운(왜곡이 가장 적은) 매핑이 참조가 됩니다. 이를 통해 시스템은 합의 대비 각 매핑의 TVD를 추정할 수 있으며, 노이즈 심각도에 따른 매핑의 상대적 순위를 보존합니다.
- 안정적 선택: 시스템은 추정된 TVD가 타겟 TVD( $\tau_t$ )에 가장 가까운 매핑을 선택하며, $\tau_t$ 는 지수 이동 평균(exponential moving average)으로 업데이트됩니다. 이는 단일 단계에서의 절대적인 최저 TVD를 쫓는 것보다 안정성을 우선시합니다.
신뢰 기반 파라미터 업데이트 제어:
- 파라미터 업데이트를 확정하기 전에, BAHAMAS는 안정성 오차(타겟 TVD로부터의 편차)와 합의 신뢰도(공동 배치된 출력 간의 일치도)를 바탕으로 "신뢰 상태(trust state)"를 평가합니다.
- 합의도가 낮거나 안정성 오차가 높은 경우, 시스템은 경사 업데이트를 차단(gate/suppress)하거나 그 가중치( $\rho_t$ )를 조절합니다. 이는 손상된 그래디언트가 최적화 궤적을 불안정하게 만드는 것을 방지합니다.
추론 시 리타겟팅(Inference-Time Retargeting):
- 최적화 단계 동안, BAHAMAS는 "실행 시그니처(execution signature)"(평균 타겟 TVD 및 선택된 매핑의 결합 구조)를 기록합니다.
- 추론 시점에 하드웨어가 드리프트되거나 백엔드가 변경되면(다른 토폴로지), 시스템은 이 시그니처를 사용하여 파라미터를 재최적화하지 않고도 매핑 선택을 리타겟팅합니다. 이는 후보 매핑을 기록된 노이즈 수준 및 상호작용 구조에 맞춥니다.

주요 기여

노이즈 안정성 식별: 본 논문은 단순한 순간적 노이즈 최소화와 구별되는, 최적화 품질을 보존하기 위한 핵심 속성으로서 '반복 간 일관된 노이즈 노출'을 식별했습니다.
BAHAMAS 제어 평면: 온라인 피드백을 사용하여 큐비트 할당과 경사 신뢰도를 매 반복마다 관리하는 새로운 시스템 설계를 제시하며, 이는 오프라인 학습, 시뮬레이터 또는 학습된 모델을 필요로 하지 않습니다.
실용적인 품질 신호: 후보 매핑들을 칩 위에 공동 배치하고 그 출력을 비교함으로써, 현실적인 양자 예산 내에서 시뮬레이터 없이도 매 반복 선택을 위한 견고한 품질 신호를 제공할 수 있음을 입증했습니다.
추론 리타겟팅: 제어 범위를 추론 단계까지 확장하여, 드리프트되거나 토폴로지가 다른 백엔드에서도 재학습 없이 견고한 배포를 가능하게 합니다.
경험적 검증: 실제 IBM 양자 프로세서(Heron 및 Nighthawk 세대)와 다양한 VQA 제품군(VQE, QAOA, QNN)을 대상으로 평가되었습니다.

결과
30일간 실제 하드웨어에서 8가지 벤치마크를 통해 평가한 결과는 다음과 같습니다:

성능 향상: BAHAMAS는 제어되지 않은 베이스라인(표준 트랜스파일러 매핑) 대비 VQA 성능을 평균 22.39% 향상시켰습니다.
안정성: 성능 지표의 분산을 크게 감소시켰습니다. 성능 지표의 표준 편차가 베이스라인의 약 13~~16%에서 BAHAMAS 적용 시 **3.7~~6.1%**로 떨어졌으며, 이는 시간적 노이즈 드리프트에 대한 견고함을 나타냅니다.
수렴: QISMET와 같은 기존의 노이즈 적응형 기술과 비교했을 때, BAHAMAS는 더 높은 성능 향상(21% vs 34.6%)을 달면서 훨씬 적은 반복 횟수(1250회 vs 180회)로 수렴합니다.
순위 보존: BAHAMAS는 노이즈 없는 순위(noiseless ranking)에 대해 0.83의 Kendall $\tau$ 순위 상관관계를 유지하며, 이는 베이스라인의 0.43과 대조됩니다. 이는 최적화 도구를 오도하는 구성 순위의 역전을 효과적으로 방지합니다.
확장성 및 미래 영역: 시스템은 큐비트 수가 16개로 확장되어도 효과를 유지하며, 결함 허용 노이즈 수준(0.1× 노이s)을 시뮬레이션할 때도 14%의 개선을 유지하여 NISQ 시대를 넘어선 관련성을 입증했습니다.
결합성: BAHAMAS는 성능과 처리량을 더욱 높이는 NEST(작업 스케줄링) 및 DISQ(반복 건너뛰기)와 같은 보완 기술들과 결합 가능합니다.

의의
본 논문은 BAHAMAS가 VQA 워크플로의 근본적인 공백, 즉 최적화의 안정성을 보장하기 위해 트랜스파일링, 런타임 실행, 파라미터 업데이트 간의 조정 부재를 해결한다고 주장합니다. 반복 간의 노이즈 노출을 안정화함으로써, BAHAMAS는 클래식 최적화 도구가 신뢰할 수 있는 경사 신호를 받을 수 있게 하여 노이즈가 있는 하드웨어에서도 더 나은 솔루션으로 수렴하도록 돕습니다. 이 프레임워크는 백엔드 드리프트에 강하며 외부 데이터 파이프라인 없이도 배포 가능하도록 설계되어, 현재의 NISQ 장치부터 초기 결함 허용 시스템에 이르기까지 초전도 프로세서 상의 변분 양자 워크로드를 제어하기 위한 실용적인 시스템 소프트웨어 계층 역할을 합니다.

유사한 논문