⚛️ 양자물리학

Shot- and Noise-Aware Pauli Correlation Encoding for Max-Cut Experiments on IBM Heron Quantum Processor

이 논문은 측정 예산과 장치 노이즈에 따라 손실 날카로움(loss sharpness)을 동적으로 조정하는 샷 및 노이즈 인지형 파울리 상관 인코딩 스케줄을 소개하며, 이를 통해 IBM Heron 프로세서 상에서 800개 변수 그래프의 Max-Cut 문제를 해결하는 데 있어 기존 방식들을 크게 능가하는 컴팩트하고 하드웨어 네이티브한 회로를 구현한다.

원저자: Achraf Boussahi

게시일 2026-10-15

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Achraf Boussahi

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

현대 컴퓨팅의 세계에서 어떤 문제들은 그 규모가 너무 방대하여 모든 가능한 답을 확인하는 데 우주의 나이보다 더 긴 시간이 걸리기도 합니다. 이러한 문제들은 조합 최적화 문제라고 불리며, 컴퓨터는 어마어마한 수의 선택지 중에서 단 하나의 최적의 배열을 찾아내야 합니다. 대표적인 예로 '최대 컷(maximum cut)' 문제가 있습니다. 도시들이 도로로 연결된 네트워크를 상상해 보십시오. 각 도로에는 그 중요성을 나타내는 가중치가 부여되어 있습니다. 목표는 두 그룹으로 도시들을 나누어, 두 그룹을 연결하는 도로들의 총 가중치를 최대한 크게 만드는 것입니다. 이 작업은 고전적 컴퓨터에게는 매우 어려운 과제로, 완벽한 해답을 찾기보다는 종종 영리한 지름길에 의존해야 합니다.

양자 컴퓨터는 이러한 도전을 해결하기 위한 새로운 방법으로 제안되었습니다. 0 또는 1의 비트로 정보를 처리하는 고전적 기계와 달리, 양자 기계는 0과 1의 복잡한 상태로 동시에 존재할 수 있는 큐비트를 사용합니다. 하지만 현재의 양자 컴퓨터는 불완전합니다. 이들은 노이즈가 많아 계산이 환경에 의해 쉽게 방해받으며, 오류가 축적되기 전에 실행할 수 있는 시간이 짧습니다. 이러한 한계 때문에 과학자들은 변분 양자 알고리즘(variational quantum algorithms)이라는 방법을 사용합니다. 이 방식에서는 양자 컴퓨터가 특정 회로를 실행하고 결과를 측정하면, 고전적 컴퓨터가 더 나은 답을 찾기 위해 회로의 설정을 조정합니다. 이 과정은 최적의 해답을 향해 올라가기를 희망하며 반복됩니다.

아크라프 부사히(Achraf Boussahi)의 최근 연구는 현재 이러한 양자 실험이 설계되는 방식의 결정적인 결함을 다룹니다. 이 연구는 양자 컴퓨터가 훨씬 적은 수의 큐비트를 사용하여 많은 변수를 가진 문제를 해결할 수 있게 해주는 '파울리 상관 인코딩(Pauli correlation encoding)'이라는 특정 기술에 초점을 맞춥니다. 이러한 회로를 훈련하는 표준적인 방법에는 컴퓨터가 실제 문제를 얼마나 밀접하게 모방할지를 제어하는 수학적 '선명도(sharpness)' 설정이 포함됩니다. 이전 연구들은 이 설정을 가능한 한 가장 날카롭게(sharp) 만드는 것이 항상 더 나은 결과를 가져온다고 제안했지만, 해당 실험들은 완벽하고 노이즈가 없는 시뮬레이션 환경에서 수행되었습니다. 부사히의 연구는 실제의 불완전한 기계에서 실험을 수행할 때 이러한 가정이 무너진다는 것을 밝혀냈습니다. 실제 양자 프로세서에서 테스트를 수행함으로써, 이 연구는 완벽한 시뮬레이션에서의 최적 설정이 실제 장치에서는 최악의 설정이 될 수 있음을 입증했으며, 현실 세계에서 기계를 효과적으로 작동시키기 위한 새로운 튜닝 규칙을 제공했습니다.

문제의 핵심은 양자 컴퓨터가 답을 측정하는 방식에 있습니다. 결과를 얻으려면 기계는 계산을 여러 번 수행해야 하는데, 이 과정을 '샷(shots)'을 취한다고 합니다. 각 샷은 동전 던지기를 여러 번 하여 공정한지 확인하는 것과 마찬가지로 통계적 노이즈 때문에 약간씩 다른 결과를 생성합니다. 더 많은 샷을 취할수록 진정한 답이 더 명확해집니다. 연구진은 양자 회로를 훈련하는 데 사용되는 '선명도' 설정이 비밀리에 이 샷의 수와 연결되어 있다는 것을 발견했습니다. 만약 선명도가 너무 높게 설정되면, 회로는 기계가 현실적으로 제공할 수 있는 것보다 더 많은 샷을 요구하는 해답을 찾으려 노력하게 됩니다. 샷에 제한이 없는 완벽한 시뮬레이션에서는 매우 날카로운 설정이 미세한 세부 사항을 분해할 수 있기 때문에 잘 작동합니다. 하지만 샷의 수가 제한된 실제 장치에서 너무 날카로운 설정은 컴퓨터가 노이즈를 바탕으로 답의 부호를 추측하게 만들어, 무작위적이고 쓸모없는 결과로 이어지게 합니다.

이를 증러하기 위해, 팀은 13개의 큐비트만을 가진 양자 프로세서를 사용하여 각각 800개의 변수를 가진 5개의 서로 다른 복잡한 그래프를 대상으로 양자 회로를 훈련했습니다. 그들은 기존의 공격적인 훈련 일정과 실제 사용 가능한 샷 수에 따라 선명도를 조절하는 새로운 '샷 인식(shot-aware)' 일정을 비교했습니다. 결과는 놀라웠습니다. 실제 양자 프로세서에서 기존의 일정은 성능이 저조했으며, 종종 무작위 추측보다도 못한 결과를 냈습니다. 반면, 기계의 실제 한계에 맞춰 튜닝된 새로운 일정은 발표된 모든 방법보다 일관되게 뛰어난 성능을 보였습니다. 다양한 그래프와 샷 수에 걸친 150번의 직접 비교에서 새로운 방법이 매번 승리했습니다. 이 방법은 최적의 컷 값의 최대 91.9%까지 유지하며 최적의 답에 훨씬 더 가까운 해답을 찾아냈으며, 반면 이전의 최선이었던 방법들은 무작위성 속으로 무너졌습니다.

연구는 또한 기계의 물리적 노이즈가 계산에 어떻게 영향을 미치는지 밝혀냈습니다. 연구진은 프로세서의 노이즈가 컴퓨터가 읽는 신호의 강도를 줄이는 디머 스위치(dimmer switch)처럼 작용한다는 것을 발견했습니다. 이 효과는 수학적으로 실제로 취해진 샷보다 더 적은 샷을 취한 것과 동일합니다. 그들이 사용한 특정 기계에서 이 감쇄 효과를 측정함으로써, 선명도 설정을 보정하기 위해 어떻게 조정해야 할지 정확히 예측할 수 있었습니다. 그들은 단순한 규칙을 개발했습니다: 샷 수와 측정된 노이즈 레벨에 따라 선명도를 설정하는 것입니다. 실험을 실행하기 전에 새로운 그래프에 이 규칙을 테스트했을 때, 그들의 예측은 아주 작은 소수점 단위의 오차 내에서 정확했습니다. 코드를 실행하기 전에 성능을 예측할 수 있는 이 능력은 양자 컴퓨터를 실용적으로 사용하는 데 있어 큰 진전입니다.

또 다른 중요한 발견은 양자 회로 자체의 설계에 관한 것이었습니다. 기존 문헌에서 가장 좋은 결과는 모든 큐비트가 다른 모든 큐비트와 연결되는 회로에서 나왔는데, 이는 완벽한 연결성을 가진 기계에서 잘 작동하는 설계입니다. 그러나 이 연구에서 사용된 실제 양자 프로세서는 큐비트가 인접한 이웃과만 연결되는 특정 레이아웃을 가지고 있습니다. 연구진이 이 기계에서 '전체 연결(all-to-all)' 설계를 실행하려고 했을 때, 컴퓨터는 추가적인 게이트를 사용하여 데이터를 이동시켜야 했고, 이는 너무 많은 노이즈를 유발하여 최종 답이 무작위 추측보다 나을 것이 없게 만들었습니다. 기계의 자연스러운 레이아웃에 맞는 '벽돌형(brickwork)' 설계로 전환함으로써, 그들은 이러한 추가 단계를 피할 수 있었습니다. 이 하드웨어 네이티브 회로는 새로운 샷 인식 훈련과 결합되어, 기계가 신호 강도를 유지하고 고품질의 결과를 전달할 수 있게 해주었습니다.

연구는 현재의 하드웨어에서 양자 최적화가 작동하기 위해서는 과학자들이 기계를 완벽한 시뮬레이터로 취급하는 것을 멈추고, 노이즈가 있고 샷이 제한된 장치로 취급해야 한다고 결론짓습니다. 최대의 선명도를 추구하는 기존 전략은 현실 세계에서 역효

기술 요약: IBM Heron에서의 Max-Cut를 위한 샷(Shot) 및 노이즈 인지형 파울리 상관관계 인코딩(PCE)

문제 정의
본 논문은 잡음이 있는 중간 규모 양자(NISQ) 하드웨어에 적용되는 파울리 상관관계 인코딩(PCE)의 한계를 다룹니다. PCE는 $m$ 개의 이진 변수를 $k$ -체 파울리 상관관계(correlator)의 부호에 매핑함으로써 $n = O(m^{1/k})$ 개의 큐비트에 인코딩할 수 있게 해주지만, 기존의 성공적인 벤치마크들은 정확한 기댓값(노이즈가 없는 시뮬레이션)에 의존했습니다. 실제 양자 컴퓨터는 유한한 측정 샷( $S$ )으로부터 이러한 상관관계를 추정하며, 이 과정에서 통계적 노이즈가 발생합니다. 저자는 중요한 불일치를 식별했습니다. 기존의 PCE 손실 함수를 날카롭게 만드는 스케줄링(sharpening schedules)은 무한한 샷 예산(noiseless simulation)에 맞춰 튜닝되어 있어, 통계적 오차가 훈련된 상관관계의 미세한 마진을 압도하는 현실적인 유한 샷 예산 상황에서는 실패하게 됩니다.

방법론
저자는 PCE 손실 함수의 "날카로움(sharpness)" 파라미터( $\alpha$ )를 측정 샷 예산( $S$ ) 및 장치 노이즈와 명시적으로 연결하는 프레임워크를 제안합니다.

날카로움-샷 항등식(Sharpness-Shot Identity): 저자는 $\alpha \approx 0.851\sqrt{S}$ 인 날카로움에서 완화된 손실 함수 $L_{\alpha}$ 의 에지 항(edge term)이 $S$ 개의 샷으로 디코딩된 기대 컷(expected cut)을 최소화하는 것과 (상수 차이 내에서) 동일하다는 근사적 항등식을 도출합니다. 구체적으로, 손실 함수 내의 소프트 스핀 $\tanh(\alpha c_i)$ 는 기대 디코딩 스핀 $\text{erf}(c_i\sqrt{S/2})$ 를 근사합니다. 이는 주어진 날카로움 $\alpha$ 가 특정 샷 예산 $S(\alpha) = (\alpha/0.851)^2$ 을 암묵적으로 최적화함을 의미합니다.
샷 인지형 스케줄(Shot-Aware Schedule): 이 항등식을 바탕으로, 저자는 "샷 인지형" 스케줄을 도입합니다. 이전의 다단계 스케줄처럼 공격적으로 날카로움을 높이는 대신, 최종 날카로움 $\alpha_{\text{max}}$ 를 목표 샷 예산 $S$ 에 의해 결정합니다. 이 스케줄은 낮은 날카로움의 초기 단계, 중간 단계, 그리고 정규화가 꺼지고 $\alpha_{\text{max}}$ 가 $c s \sqrt{S}$ ( $s$ 는 장치 댐핑 계수)로 설정되는 최종 단계의 세 단계로 구성됩니다.
노이즈로서의 댐핑(Noise as Damping): 논문은 장치 노이즈를 상관관계에 대한 곱셈적 댐핑 계수 $s$ ( $\hat{c}_i \approx s c_i + \epsilon$ )로 모델링합니다. 이는 효과적으로 샷 예산을 $S_{\text{eff}} = s^2 S$ 로 감소시킵니다. 결과적으로, 노이즈가 있는 장치에서의 최적의 날카로움은 $\alpha \propto s\sqrt{S}$ 에 비례하여 스케일링됩니다.
하드웨어 네이티브 안사츠(Hardware-Native Ansatz): 초전도 프로세서(특히 IBM Heron)에서의 컴파일 오버헤드를 완화하기 위해, 저자는 SWAP 게이트를 필요로 하지 않고 장치의 heavy-hex 격자 연결성에 직접 매핑되는 "브릭워크(brickwork)" 안사츠를 사용합니다. 이는 광범위한 큐비트 라우팅을 요구하는 "all-to-all" 안사츠와 대조됩니다.

주요 기여

이론적 도출: 손실 함수의 날카로움 $\alpha$ 와 측정 샷 예산 $S$ 사이의 수학적 연결 고리를 확립하여, $\alpha$ 가 "숨겨진 샷 예산" 역할을 한다는 것을 입증했습니다.
샷 인지형 스케줄링: 가용 샷 예산과 장치 댐핑에 의해 최종 날카로움이 결정되는 훈련 스케줄을 개발했습니다.
노이즈 특성화: 장치 노이즈를 유효 샷 예산의 감소로 정량화하고, 실제 하드웨어에서 댐핑 계수 $s$ 를 교정하는 방법을 제공했습니다.
안사츠 비교: IBM Heron 프로세서에서 하드웨어 네이티브 안사츠(96 CZ 게이트)가 노이즈 누적으로 인해 무작위 컷으로 디코딩되는 all-to-all 안사츠(835 CZ 게이트)보다 현저히 우수함을 입로 증명했습니다.

실험 결과
저자는 13개의 큐비트를 사용하여 5개의 G-set 그래프(800개 정점)에 대해 제안된 샷 인지형 스케줄을 세 가지 기존 스케줄(Sciorilli et al., Usuki et al. conventional, Usuki et al. multistage)과 비교 평가했습니다.

시뮬레이션 (정확한 그래디언트): 5개 그래프 모두에서, 샷 인지형 스케줄은 목표 예산( $S=10^3$ 및 $S=1.6 \times 10^4$ )에서 모든 150개의 쌍 비교 실험에서 모든 발표된 스케줄을 능가했습니다. 발표된 다단계 스케줄은 노이즈 없는 시뮬레이션에서는 우수했지만, 유한 샷 예산에서는 높은 날카로움이 상관관계의 크기를 통계적 노이즈 바닥 아래로 밀어내어 성능이 저하되었습니다.
하드웨어 실행 (IBM Fez):
- All-to-all 안사츠는 높은 게이트 수(835 CZ)와 그에 따른 낮은 충실도( $\sim 0.058$ )로 인해 무작위 컷으로 디코딩되며 완전히 실패했습니다.
- 하드웨어 네이티브 안사츠(96 CZ)는 $s \approx 0.72$ 의 댐핑 계수를 유지했습니다.
- 시뮬레이션에서 훈련되어 하드웨어에서 실행된 샷 인지형 스케줄은 모든 발표된 스케줄보다 뛰어난 성능을 보였습니다. $1.6 \times 10^4$ 샷에서 G1 그래프에 대해 알려진 최적 컷의 최대 0.919를 달성했습니다.
- 이전 실행에서 교정된 댐핑 계수와 오프셋을 사용하여 새로운 회로(G1 그래프용)에 대한 전향적 테스트를 수행한 결과, $10^3$ 샷에서 디코딩된 컷의 오차는 0.002로 예측되었습니다.

의의 및 주장
본 논문은 현재 하드웨어에서 효과적인 PCE를 가로막는 주요 장벽이 표현력(expressivity)이나 훈련 가능성(trainability)이 아니라, 손실 함수의 날카로움과 측정 예산 사이의 불일치라고 주장합니다.

순위 역전: 저자는 노이즈 없는 시뮬레이션에서 관찰된 최적화 스케줄의 순위가 현실적인 샷 예산에서는 역전됨을 보여줍니다. 무한한 샷에 최적화된 스케줄은 실제 하드웨어에서 실패합니다.
하드웨어 인식: PCE가 초전도 프로세서에서 효과적이려면, 회로 안사츠를 하드웨어 연결성에 맞추고(SWAP 게이트 방지), 샷 예산 및 측정된 장치 댐핑을 기반으로 손실 날카로움을 튜닝해야 함을 확립했습니다.
제한적 범위: 저자는 본 연구의 결과가 PCE의 측정 비용 및 솔루션 품질에 관한 것이지, 양자 우위를 입증하는 것이 아님을 명시했습니다. 테스트된 13-큐비트 인스턴스의 경우, 고전적인 비트 스왑 탐색(bit-swap search)이 무작위 스핀을 높은 근사 비율로 개선할 수 있으며, 양자 회로가 아직 고전적 솔버를 능가하지 못한다는 점을 언급했습니다. 이 연구는 물리적 제약 조건에 맞춰 훈련 목표를 정렬함으로써, 현재의 NISQ 장치에서 PCE를 실행 가능하게 만드는 방법론적 가이드 역할을 합니다.

유사한 논문