Qubrio: High-Performance Quantum Compilation via Multi-Agent LLM Collaboration

기술 요약: Qubrio

문제 정의

양자 컴파일레이션(고수준 양자 알고리즘을 하드웨어 실행 가능한 명령어로 변환하는 과정)은 적응성 측면에서 심각한 병목 현상에 직면해 있습니다. 기존 컴파일러는 다양한 하드웨어 제약 조건을 관리하기 위해 도메인 엔지니어링된 휴리스틱에 크게 의존합니다. 결과적으로, 새로운 하드웨어 기능이나 진화하는 아키텍처에 적응하려면 도메인 전문가의 상당한 수동 재설계가 필요하며, 이는 발전을 저해하는 유지보수 부담을 초래합니다. 대규모 언어 모델(LLM)은 하드웨어 설명으로부터 컴파일 로직을 직접 학습할 수 있는 잠재력을 제공하지만, 단일 패스(single-pass) LLM 접근 방식은 다음 세 가지 직교하는 압력으로 인해 실제 적용 시 실패합니다:

1. 입력 복잡성: 전체 양자 프로그램은 현재 LLM이 신뢰할 수 있는 추론 컨텍스트 길이를 초과하며, 특히 순차적 결정이 긴밀하게 결합된 작업에서 더욱 그러합니다.
2. 작업 이질성: 컴파일은 서로 다른 추론 모드(예: 공간 배치 vs. 순차적 궤적 계획)를 포함합니다. 하나의 에이전트가 이를 공동으로 처리하도록 강제하면 작업 간 간섭이 발생합니다.
3. 피드백 모호성: 표준 피드백 루프는 종종 집계된 성능 점수만을 제공하여, 특정 제약 조건 위반을 국소화하거나 오류의 근본 원인(예: 전송 페널티와 결맞음 해제 사이의 구분)을 식별하지 못하므로, 에이전트에게 수정 가능한 유효한 그래디언트를 남기지 못합니다.

이러한 과제는 중성 원자 양자 컴퓨터(NAQC)에서 특히 두드러지는데, 여기에서의 라우팅은 엄격한 비교차 제약, 속도 제한 및 전송 페널티가 적용되는 2D 그리드 상에서 전역적인 이동 계획을 요구하기 때문입니다.

방법론: Qubrio 프레임워크

Qubrio는 단일 패스 LLM 컴파일의 한계를 극복하기 위해 설계된 에이전트 기반 프레임워크로, 입력, 처리 및 피드백 단계의 압력을 완화하도록 명시적으로 구조화된 3단계 분해(three-level decomposition) 전략을 사용합니다.

1. 입력 분해 (Input Decomposition)

프레임워크는 양자 프로그램을 순차적인 연산 단계(구체적으로는 단일 큐비트 게이트와 교차되는 병렬 CZ 게이트의 단계들)로 분할합니다. 이는 전체 회로를 한 번에 처리하려고 시도하는 대신, 각 단계가 LLM이 신뢰할고 추론할 수 있는 컨텍스트 길이 내에 들어오도록 보장합니다.

2. 작업 분해 (Task Decomposition)

서로 다른 추론 모드를 특화된 에이전트에게 위임하여 작업 간 간섭을 제거합니다:

• 배치 에이전트 (Placement Agent): 각 단계에 대한 논리적 큐비트와 물리적 트랩 위치 간의 매핑을 계산합니다. 크로스토크를 방지하기 위해 간격을 유지하면서 상호작용 거리를 최적화합니다.
• 라우팅 에이전트 (Routing Agent): 원자를 목표 위치로 운반하기 위한 이산적인 음향 광학 편향기(AOD) 동작의 시퀀스를 결정합니다. 하드웨어 제약 조건을 충족하는 이동 궤적을 생성합니다.
• 최적화 에이전트 (Optimize Agent): 후보 수정 사항을 샘플링하고 하드웨어 시뮬레이터에 대해 평가함으로써 스케줄을 반복적으로 정교화합니다.

3. 피드백 분해 (Feedback Decomposition)

Qubrio는 스칼라 보상 대신 결정론적 검증기와 구조화된 다차원 피드백 루프를 채택합니다:

• 계층적 검증 (Hierarchical Verification): 검증기는 오류를 특정 집합(예: 충돌, 인접성 위반, 크로스토크, 교차 위반)으로 국소화합니다. 결정적으로, 배치 검증기는 진동 동작을 방지하기 위해 충돌 제약을 먼저 처리한 다음 인접성 및 크로스토크를 함께 보고합니다. 라우팅 검증기는 위반 사항을 특정 큐비트와 타임스텝($t$)으로 국소화하여 궤적 정교화를 위한 인과적 신호를 제공합니다.
• 결과-진단 분해 (Outcome-Diagnostic Decomposition): 하드웨어 시뮬레이터는 두 계층의 피드백 구조를 제공합니다. **결과 계층(Outcome Layer)**은 전역 지표(실행 시간 $T_{exe}$ 및 충실도 $F$)를 보고하며, **진단 계층(Diagnostic Layer)**은 충실도를 전송 페널티와 결맞음 해제로 분리합니다. 이를 통해 에이전트는 충실도 저하가 과도한 전송 때문인지 아니면 유휴 시간 때문인지를 구별할 수 있어, 전역적인 조정 대신 타겟팅된 수정을 수행할 수 있게 합니다.

주요 발견: 컨보이 스타일 셔틀링 (Convoy-Style Shuttling)

컴파일러 역할을 넘어, 이 LLM 프레임워크는 휴리스틱에 명시적으로 인코딩되지 않은 새로운 전략을 발견합니다. 가장 중요한 것은 컨보이 스타일 셔틀링입니다.

• 메커니즘: 큐비트를 최단 경로를 따라 독립적으로 라우팅하는 기존 컴파일러(종종 이동 충돌을 유발함)와 달리, LLM은 공간적으로 호환 가능한 궤적을 가진 큐비트들을 그룹화하는 법을 학습합니다.
• 전략:
  1. 버퍼 활용 (Buffer Utilization): 에이전트는 개별 최단 경로에서 의도적으로 벗어나 버퍼 위치를 활용함으로써, 원래는 호환되지 않을 큐비트들을 정렬하여 동기화된 컨보이(대열) 형태로 움직일 수 있게 합니다.
  2. 연속 운동 (Continuous Motion): 에이전트는 반복적인 SLM-AOD 전송과 관련된 충실도 페널티를 최소화하기 위해 연속적인 라운딩 동안 원자를 지속적으로 움직이는 상태로 유지합니다.
• 영향: 이러한 협업은 이동 연산을 병렬화하여, 충실도를 저해하지 않으면서 하드웨어 실행 속도를 크게 가속화합니다. 이러한 전략은 AOD 제약, 전송 페널티 및 결맞음 해제에 대한 공동 추론을 필요로 하는 비자명한 과정입니다.

실험 결과

Qubrio는 약 18개에서 78개의 큐비트에 이르는 현실적인 NAQC 워크로드(QFT, QAOA, GHZ, Ising)에 대해 평가되었으며, 최첨단(SOTA) 휴리스틱 컴파일러인 PowerMove 및 베이스라인인 Enola와 비교되었습니다.

• 성능 향상: Qubrio(GPT-5.4 사용)는 Enola 대비 하드웨어 실행 시간에서 평균 4.7배, 회로 충실도에서 1.3배의 개선을 달상했습니다.
  • 정규 회로(GHZ, Ising)의 경우, 효과적인 컨보이 스타일 셔틀링 덕분에 PowerMove 대비 11.4배의 실행 시간 단축을 달성했습니다.
  • 불규칙한 회로(QFT, QAOA)의 경우, 공간적 국부성이 부족하여 단축 폭은 낮았으나(2.0배) 여전히 유의미했습니다.
  • 충실도 개선은 QFT-63에서 가장 극적이었는데, PowerMove의 충실도가 $10^{-16}$으로 붕괴될 때 Qubrio는 이를 $1.13 \times 10^{-8}$로 회복시켰습니다.
• 하드웨어 적응성: 프레임워크는 알고리즘 변경 없이 세 가지 하드웨어 변형에 원활하게 적응했습니다:
  1. Multi-AOD: 실행 시간 단축을 위해 여러 개의 병렬 AOD를 활용함.
  2. Zoned Architectures: 흥분 오류(excitation errors)를 제거하기 위해 공간 영역을 활용하여 막대한 충실도 이득을 얻음 (예: QFT-63에서 2263배).
  3. Lane Architectures: 제한된 운송 레인에 적응하여 증가된 라우팅 복잡도에도 불구하고 합리적인 성능을 유지함.
• 절제 연구 (Ablation Studies):
  • 다중 에이전트 분해(Single-Agent) 또는 검증기(No-Verifier)를 제거하면 복잡한 회로에서 실패가 발생했습니다.
  • LLM 에이전트를 고전적 휴리스틱(PowerMove) 또는 시뮬레이티드 어닐링(SA)으로 대체하면 성능이 현저히 떨어졌으며, 이는 이 성과가 단순히 탐색 예산에서 오는 것이 아니라 LLM의 유도된 추론에서 비롯됨을 확인시켜 줍니다.
  • 발견된 "컨보이" 전략을 PowerMove에 통합했을 때 Qubrio의 실행 시간 이점 중 38%를 회복하였으며, 이는 발견된 휴리스틱의 전이 가능성을 입증합니다.

의의 및 주장

본 논문은 Qubrio가 수동적인 휴리스틱 엔지니어링에서 적응 가능한 에이전트 기반 컴파일 프레임워크로의 전환을 나타낸다고 주장합니다. 그 의의는 두 가지 영역에 있습니다:

1. 실용적 컴파일레이션: 하드웨어가 진화할 때 수동 재설계의 필요성을 크게 줄이며, 현재의 SOTA 솔루션보다 우수한 실행 시간과 충실도를 달성하는 컴파일러를 제공합니다.
2. 휴리스틱 발견: LLM이 기존의 도메인 전문 지식을 보완하고 능가하는 새롭고 비자명한 최적화 전략(컨보이 스타일 셔틀링과 같은)을 발견하는 체계적인 도구로 기능할 수 있음을 보여줍니다.

저자들은 이 프레임워크의 가치가 특정 LLM 백본(Qwen, DeepSeek, GPT 모델 모두에서 우수한 성능을 보임)에 종속되지 않으며, 에이전트 기반의 분해 및 검증 루프라는 아키텍처 설계에 달려 있음을 강조합니다. 코드는 공개되어 있으며, 프레임워크는 현재 및 미래의 중성 원자 양자 컴퓨팅 과제를 위한 실질적인 해결책으로 제시됩니다.