Hardware Demonstration of Neural-Surrogated Quantum-Enhanced MCMC for Large-Scale Constrained Boltzmann Sampling

기술 요약: 대규모 제약 볼츠만 샘플링을 위한 신경망 대리 모델 기반 양자 강화 MCMC의 하드웨어 시연

문제 정의
본 논문은 현재의 노이즈가 있는 중간 규모 양자(NISQ) 장치를 사용하여 대규모 제약 시스템(특히 고정된 해밍 가중치를 가진 이진 변수 시스템)에 대한 볼츠만 샘플링을 수행하는 문제를 다룹다. 양자 생성 제안(quantum-generated proposals)을 통해 샘플링을 가속화하는 경로를 제공하는 양자 강화 마르코프 체인 몬테카를로(QeMCMC)는, 분할 정복 전략 내의 수많은 하위 문제에 대해 양자 근사 최적화 알고리즘(QAOA) 파라미터를 최적화하는 데 드는 높은 비용으로 인해 이를 수천 개의 변수로 확장하는 데 어려움이 있다. 수많은 하위 문제에 대해 독립적인 최적화를 수행하는 것은 과도한 양자 회로 실행을 요구하며, 이는 현재의 하드웨어에서 대규모 구현을 불가능하게 만든다.

방법론
저자들은 두 가지 주요 메커니즘을 통해 양자 자원 오버헤드를 줄이는 신경망 대리 모델 기반의 하드웨어 효율적인 QeMCMC 구현 방식을 제안한다:

1. 선형 램프(Linear-Ramp) QAOA 및 파라미터 전이: 모든 하위 문제에 대해 전체 파라미터 세트를 매번 최적화하는 대신, 저자들은 파라미터 공간을 단 4개의 독립 변수($\gamma_0, \Delta\gamma, \beta_0, \Delta\beta$)로 줄이는 선형 램프 QAOA 안사츠(ansatz)를 채택한다. 이 4개의 파라미터를 하나의 대표적인 하위 문제에서 최적화한 후 이를 다른 모든 하위 문제로 전이한다. 이 전략은 유사한 그래프 토폴로지와 최적화 경관을 가진 QAOA 파라미터의 전이 가능성을 활용하여, 양자 프로세서에서의 반복적인 파라미터 최적화 필요성을 제거한다.
2. 신경망 대리 모델을 이용한 분할 정복: 대규모 시스템을 중첩되는 블록(하위 문제)으로 나눈다. 각 블록에 대해 전이된 파라미터를 사용하여 QAOA 샘플을 생성한다. 생성된 샘플들은 **조건부 마스크 오토인코더(Masked Autoencoders for Distribution Estimation, MADE)**로 응축된다. 이 신경망들은 블록의 해밍 가중치가 주어졌을 때의 블록 변수들에 대한 조건부 확률 분포를 학습한다.
3. MCMC 실행: 마르코프 체인 몬테카를로 과정 동안, 블록이 선택되면 그에 상응하는 MADE가 새로운 구성을 제안한다. 제안된 구성은 전체 시스템 에너지 함수를 기준으로 메트로폴리스-헤이스팅스(Metropolis–Hastings) 기준에 따라 수락 또는 거부되며, 이를 통해 체인이 목표 제약 볼츠만 분포로 수렴하도록 보장한다.

주요 기여

• 하드웨어 효율적 확장성: 본 연구는 파라미터 전이를 통해 양자 회로 실행 횟수를 획기적으로 줄임으로써($M$번의 최적화에서 단 1번의 최적화로), QeMCMC를 $N > 1000$개의 변수로 확장하는 방법을 보여준다.
• 하드웨어 검증: 이 방법은 순수 클래식 시뮬레이션을 넘어, IBM Quantum Heron r2 프로세서(156 큐비트)에서 구현 및 테스트되었다.
• 블록 크기에 대한 경험적 분석: 본 논문은 신경망 대리 모델 기반 QeMCMC의 성능이 실제 하드웨어에서 블록 크기에 따라 어떻게 변화하는지에 대한 실험 데이터를 제공하며, 이전의 클래식 시뮬레이션 결과와는 다른, 블록 크기와 혼합 속도 사이의 비단조적 관계를 식별한다.

실험 결과
연구는 두 가지 주요 실험 단계로 구성된다:

1. $N = 144$ 시스템 (블록 크기 스케일링):

   • 실험은 다양한 하위 문제 크기($b \in \{2, 12, 30, 49, 82, 144\}$)를 가진 144개의 이진 변수 시스템에서 수행되었다.
   • 파라미터 전이 효능: 전이된 QAOA 파라미터는 서로 다른 블록 크기에서도 균등 샘플링(uniform sampling)보다 낮은 유효 온도에서 샘플을 성공적으로 생성하였으며, 이는 전이 가능성 가설을 입증한다.
   • 혼합 성능: 적절한 하위 문제 크기(예: $b=49$)의 경우, 신경망 대리 모델 제안은 글로벌 및 로컬 카와사키 역학(Kawasaki dynamics)보다 더 빠른 자기상관 감소율(autocorrelation decay rates)을 달성했다.
   • 한계점: 블록 크기가 커질수록 성능이 지속적으로 향상된다고 제안했던 이전의 클래식 시뮬레이션과 달리, 하드웨어 실험에서는 더 큰 블록($b > 49$)에서 혼합 성능이 저하되는 것을 보여주었다. 이는 조건부 MADE가 요구되는 블록 해밍 가중치를 만족하는 제안을 생성하지 못해 발생하는 제약 누출(constraint leakage) 증가 때문인 것으로 분석되었다.

2. $N = 1064$ 시스템 (대규모 시연):

   • 본 방법은 $N=144$ 토폴로지의 $3 \times 3$ 배열을 사용하여 1064개의 이진 변수 시스템으로 확장되었다.
   • 첫 번째 실험에서 식별된 최적의 블록 크기($b=49$)를 사용하고 동일한 파라미터를 전이함으로써, 저자들은 더 큰 시스템에 대한 제약 볼츠만 샘플링을 시연하였다.
   • 성능 이득: 제안된 방법의 MCMC 단계당 자기상관 감소율은 글로벌 카와사키 역학보다 약 5.2배, 로컬 카와사키 역학보다 약 12.3배 더 빨랐다.
   • 이러한 개선은 $N=144$ 시스템에서 관찰된 것과 유사한 수준이었으며, 이는 양자 하위 문제의 크기가 고정되어 있다면 총 시스템 크기가 1,000개를 초과하더라도 가속도가 유지됨을 나타낸다.

의의 및 주장
본 논문은 고정된 크기의 양자 하위 문제를 사용하여 신경망 대리 모델을 통해 대규모 시스템($N > 1000$)의 샘플링을 가속화하는 것이 가능하다는 것을 입증한다고 주장한다. 본 연구의 의의는 다음을 증명하는 데 있다:

• "분할 정복" 접근 방식은 파라미터 전이를 활용함으로써, 모든 하위 문제에 대한 독립적인 최적화라는 과도한 비용을 피하고 실제 NISQ 하드웨어에서 실용적으로 구현될 수 있다.
• 양자 생성 샘플은 하드웨어 노이즈와 전이된 파라미터가 존재함에도 불구하고, 클래식 베이스라인보다 혼합을 크게 가속화하는 비국소적 업데이트(nonlocal updates)를 제공할 수 있다.
• 이 방법이 효과적이긴 하지만, 블록 크기를 무한히 키우는 것이 만병통치약은 아니다. 본 연구는 해밍 가중와 같은 엄격한 제약을 만족하는 능력(즉, 신경망 대리 모델의 학습 품질)이 블록 크기가 커질 때 성능을 제한하는 핵심 요소임을 강조한다.

저자들은 현재의 구현이 상당한 가속화를 보여주었으나, 방법의 확장성을 더욱 개선하기 위해서는 학습 데이터의 커버리지, 모델 용량, 그리고 학습 최적화가 제약 누출에 미치는 영향을 규명하는 후속 연구가 필요하다고 결론지었다.