Entanglement-Aware Quantum Circuit Optimization through Globally Optimal Partitioning

유용한 양자 컴퓨터를 구축하기 위한 경쟁에서, 과학자들은 단순히 취약한 원자들을 양자 중첩 상태로 유지하는 것뿐만 아니라 효율성과의 전쟁도 치르고 있습니다. 양자 컴퓨터는 큐비트라고 불리는 아주 작은 정보 단위들을 조작함으로써 작동합니다. 계산을 수행하기 위해, 이 큐비트들은 게이트라고 알려진 일련의 연산을 통해 서로 상호작용해야 합니다. 그러나 실제 양자 기계는 무질서하고 제한적입니다. 모든 큐비트를 다른 모든 큐비트에 직접 연결할 수 없는 경우가 많으며, 모든 상호작용은 계산을 망칠 수 있는 미세한 노이즈를 유발합니다. 결과를 얻기 위해 엔지니어들은 복잡한 수학적 문제를 이러한 게이트들의 특정 시퀀스로 변환해야 하는데, 이 과정을 컴파일이라고 합니다. 목표는 가능한 한 적은 수의 게이트를 사용하고, 기계의 물리적 연결 관계를 존중하는 방식으로 게이트를 배치하는 것입니다. 만약 시퀀스가 너무 길거나 엉키게 되면, 답을 찾기도 전에 노이즈가 신호를 압도해 버릴 것입니다.

문제는 가장 효율적인 시퀀스를 찾는 것이 믿을 수 없을 정도로 어렵다는 점입니다. 이는 마치 걷는 동안 벽이 움직이는, 수십억 개의 가능한 경로가 존재하는 미로 속에서 최단 경로를 찾는 것과 같습니다. 기존의 도구들은 종 often 지름길을 택하여, 당장은 좋아 보일지 모르나 전체적으로는 더 길고 무질서한 여정으로 이어지는 빠른 국소적 결정을 내리곤 합니다. 그들은 전체에 어떤 영향을 미칠지 보지 못한 채 계산의 작은 부분만을 최적화할 수도 있습니다. 이 논문은 이러한 계산을 어떻게 분해하고 재구성하는지에 대한 새로운 접근 방식을 소개합니다. 연구진은 빠른 추측에 의존하는 대신, 전체 회로를 한꺼번에 살펴보고 이를 관리 가능한 조각들로 나누는 최선의 방법을 찾아낸 뒤, 그 조각들이 어떻게 얽혀 있는지에 대한 깊은 이해를 바탕으로 더 효율적으로 재구성하는 방법을 개발했습니다.

헝가리의 연구 기관에서 작업한 연구진은 양자 회로를 의존성 지도(map of dependencies)로 취급하는 프레임워크를 만들었습니다. 그들은 대규모 회로를 최적화하는 가장 좋은 방법은 그것을 작고 독립적인 블록들로 자르고, 각 블록을 개별적으로 최적화한 다음, 다시 하나로 꿰어 붙이는 것이라는 점을 깨달았습니다. 하지만 회로를 어떻게 자르느냐는 매우 중요합니다. 만약 잘못 자르면 논리를 단순화할 기회를 놓치거나, 블록들을 올바른 순서로 실행할 수 없는 새로운 문제를 만들 수도 있습니다. 연구팀은 이 절단 문제를 가능한 모든 실행 가능한 옵션 목록으로부터 최적의 블록들을 선택하는 것을 보장하는 수학적 퍼즐로 공식화했습니다. 그들은 이를 '전역 최적 파티셔닝(globally optimal partitioning)'이라고 부릅니다. 이는 선택된 블록들의 집합이 단순히 국소적으로 효율적인 블록들의 모임이 아니라, 전체 게이트 수를 최소화하는 조합이 되도록 보장합니다.

회로가 이러한 최적의 블록들로 잘리면, 연구진은 두 번째로 똑같이 영리한 기술을 적용하여 이들을 재구성합니다. 그들은 큐비트들이 블록 내에서 서로 얼마나 깊게 얽혀 있는지를 측정하는 '오퍼레이터 슈미트 랭크(operator-Schmidt rank)'라는 양자 역학적 특성을 사용합니다. 이 랭크를 큐비트들이 서로 얼마나 "뒤엉켜" 있는지에 대한 척도로 생각할 수 있는데, 랭크가 높을수록 큐비트들이 더 복잡하게 연결되어 있음을 의미합니다. 연구진은 이 측정을 사용하여 블록의 동작을 재현할 수 있는 가장 단순한 형태의 게이트 배치를 찾는 가이드로 활용합니다. 무작위적인 게이트 조합을 모두 시도하는 대신, 그들의 방식은 얽힘 구조를 살펴보고 어떤 게이트 배치가 성공할 가능성이 높은지 예측합니다. 이를 통해 그들은 최종 얽힘 패턴에 기여하지 않는 불필요한 단계들을 피함으로써, 이전 방식보다 더 적은 수의 게이트를 사용하는 솔루션을 찾을 수 있습니다.

그들의 아이디어를 테스트하기 위해, 팀은 현재 분야의 표준으로 통하는 BQSKit이라는 유명한 도구와 그들의 새로운 시스템을 비교했습니다. 그들은 소규모의 간단한 예시부터 수십 개의 큐비트를 포함하는 거대하고 복잡한 계산에 이르기까지 광범위한 벤치마크 회로 세트에 대해 두 시스템을 모두 실행했습니다. 결과는 명확했습니다. 772개의 특정 양자 연산 테스트에서, 새로운 방식은 741개에 대해 검증된 효율적인 솔루션을 찾아낸 반면, 표준 도구는 617개만을 찾아냈습니다. 더 중요한 것은, 두 도구가 모두 솔루션을 찾은 경우에 대해, 새로운 방식이 매번 더 적거나 동일한 수의 게이트를 가진 회로를 생성했으며, 손실은 전혀 없었다는 점입니다. 전체 엔드 투 엔드(end-to-end) 최적화 과정을 살펴보았을 때, 새로운 접근 방식은 특히 초기 최적화 단계에서 전체 게이트 수를 크게 줄였습니다. 표준 도구가 큰 규모의 회로에 대해 합리적인 시간 내에 작업을 마치는 데 어려움을 겪기도 했던 반면, 새로운 방식은 종종 훨씬 짧은 시간 안에 작업을 완료하며 더 깔끔하고 효율적인 결과를 만들어냈습니다. 그러나 타이밍 결과는 미묘했습니다. 3-큐비트 파티션의 경우, 새로운 방식이 몇 차례 매우 긴 실행 시간을 가졌기 때문에 누적 총 시간 측면에서는 표준 도구가 더 빨랐습니다.

연구는 또한 최적화에 사용되는 블록을 약간 더 크게 만들 때 어떤 일이 발생하는지도 탐구했습니다. 3개의 큐비트 대신 4개의 큐비트 그룹을 보도록 허용함으로써, 연구진은 효율성을 더욱 끌어올려 게이트 수를 더 줄일 수 있음을 발견했습니다. 그러나 여기에는 트레이드오프가 있었습니다. 솔루션을 찾는 데 걸리는 시간이 증가했다는 점입니다. 연구팀은 4-큐비트 블록이 더 나은 압축력을 제공하지만, 이를 위해 소비되는 추가적인 탐색 시간이 모든 회로에 대해 항상 가치 있는 것은 아니라는 점을 발견했습니다. 이는 최선의 접근 방식이 다루는 특정 문제에 따라 달라질 수 있음을 시사하지만, 새로운 프레임워크는 적절한 균형을 선택할 수 있는 유연성을 제공합니다. 또한 연구진은 자신들의 방식이 게이트 수를 줄이는 데 탁월하지만, 양자 컴퓨터의 물리적 레이아웃이 여전히 '라우팅(routing)'이라 불리는 추가 단계를 강제하여 게이트를 다시 추가하게 만든다는 점을 언급했습니다. 이러한 제약에도 불구하고, 그들의 최적화된 회로는 기존 방식이 생성한 것보다 우수했습니다.

이 연구는 양자 컴퓨터를 실용적으로 만드는 데 있어 중요한 진전을 나타냅니다. 문제를 잘게 나누는 엄격한 전역 전략과 조각들을 해결하는 스마트한 얽힘 인식 전략을 결합함으로써, 연구진은 더 나은 하드웨어를 기다리지 않고도 더 나은 양자 회로를 구축하는 것이 가능하다는 것을 보여주었습니다. 그들의 방식은 단순히 문제의 가장자리를 다듬는 것이 아니라, 솔루션의 구조 자체를 재고합니다. 이 연구 결과는 유용한 양자 컴퓨팅으로 가는 길이 단순히 더 큰 기계를 만드는 것뿐만 아니라, 그 기계들에게 무엇을 할지 훨씬 더 똑똑하게 명령하는 데 달려 있음을 시사합니다. SQUANDER라는 오픈 소스 패키지로 구현된 이 새로운 프레임워크는 현재의 양자 컴퓨터가 달성할 수 있는 한계를 밀어붙여, 이전에는 실행하기에 너무 복럽던 회로들을 관리 가능하고 효율적인 것으로 바꾸어 놓는 방법을 제시합니다.