Beyond the Mean Gap: What Transferred-Angle QAOA Retains on a Superconducting Processor

기술 요약: 평균 격차를 넘어서 (Beyond the Mean Gap)

문제 정의
양자 근사 최적화 알고리즘(QAOA)은 장치의 평균 비용(또는 평균 정규화 격차)을 무잡음 또는 노이즈가 있는 시뮬레이션과 비교함으로써 하드웨어에서 자주 검증됩니다. 그러나 최적화 작업의 경우, 핵심 지표는 최적해를 샘플링할 확률이며, 이는 직접적으로 해결 시간(TTS)을 결정합니다. 평균 기반의 비교는 확률 질량(probability mass)의 분포를 가릴 수 있으며, 평균 비용에서는 일치하는 모습을 보이면서도 최적해의 상실을 숨길 수 있습니다. 본 논문은 전역적 탈분극(global depolarization) 노이즈를 가정할 때, 하드웨어와 시뮬레이션 간의 평균 격차 일치가 최적 확률의 유지 여부를 예측할 수 있는지 조사합니다.

방법론
본 연구는 혼합 이진 최적화(mixed-binary optimization)를 위한 교대 방향 승수법(ADMM) 프레임워크 내의 이진 부분 문제로 설계된 깊이-2 QAOA 회로를 활용합니다.

• 회로: 저자들은 한 번 훈련된 후 더 큰 문제들로 재사용되는 "전이된 각도(transferred angles)"를 사용합니다. 이는 장치에서의 최적화 루프를 제거하여, 모든 샷(shot)이 후보 해가 될 수 있도록 보장합니다. 무작위 각도는 대조군으로 사용됩니다.
• 하드웨어: 실험은 IBM Heron 프로세서 ibm_marrakesh(초전도 큐비트)에서 수행되었습니다.
• 문제 군(Problem Families): 12-큐비트(및 8-큐비트 검증) 인스턴스를 위해 두 가지 문제 군이 사용되었습니다:
  1. 주요 군(Main Family): 무작위 이차 무제약 이진 최적화(QUBO) 문제.
  2. 식재된 군(Planted Family): Wishart 앙상블을 통해 생성된, 알려진 최적해를 가진 험난한 지형(rugged landscapes).
• 오류 억제: 본 연구는 동적 디커플링(DD)과 게이트/측정 트월링(twirling), 그리고 판독 완화(readout mitigation)의 영향을 평가합니다.
• 지표:
  • 평균 격차 유지율 ($\eta$): 균등 샘플링 대비 무잡음 개선량 중 노이즈가 있는 출력에 생존하는 비율.
  • 바닥 보정 최적 유지율 ($\eta_q$): (균등 바닥을 보정한) 최적해의 무잡음 확률 중 생존하는 비율.
  • 해결 시간 (TTS): 99% 확률로 최적해를 찾는 데 필요한 평가 횟수.
• 시뮬레이션: 장치 매칭 노이즈 모델(게이트, 판독 및 이완 오류의 스냅샷 모델)을 비교를 위해 사용했습니다.

주요 기여

1. 이론적 예측: 본 논문은 전역적 탈분극 하에서, 평균 격차 유지율과 임의의 비트 문자열(최적해 포함)의 바닥 보정 유지율은 동일해야 함을 입증합니다. 결과적으로, 평균 격차 검증은 노이즈가 전역적으로 탈분극될 경우에만 최적해 유지를 예측할 수 있습니다.
2. 8-큐비트 검증: 8-큐비트 연구에서 저자들은 무작위 각도(출력이 거의 균등한 경우)의 경우 평균 격차 일치가 거의 아무런 정보를 제공하지 못함을 보여주었습니다. 전이된 각도의 경우, 장치 매칭 노이즈 모델은 90%의 개선량을 유지할 것으로 낙관적으로 예측했으나, 실제 하드웨어는 49–73%만을 유지했습니다.
3. 12-큐비트 불일치: 12-큐비트 회로에서 저자들은 전역적 탈분극 예측으로부터의 상당한 괴리를 발견했습니다. 평균 격차 유지율은 29–46%였던 반면, 최적해 확률의 유지율($\eta_q$)은 5–15%에 불과했습니다.
4. 임계값 해결 분석: 서로 다른 비용 임계값에 따른 유지율을 분석함으로써, 본 연구는 최적에 가까운 비트 문자열들이 최적해와 유사한 비율로 소실되는 반면, 장치는 "나쁜" 비트 문자열(균등 추측보다 못한 것들)을 피하는 데 가장 효과적임을 밝혀냈습니다. 이는 평균 격차가 좋은 해의 보존보다는 나쁜 해의 회피를 주로 측정함을 시사합니다.
5. 모델 한계: 장치 매칭 노이즈 모델은 $\eta_q < \eta$ 패턴을 재현했으나, 최적해의 유지량을 과대평가하여 실제보다 5~8배 더 높은 성능을 예측했습니다.

결과

• 최적 유지율: 주요 군에서 하드웨어는 인스턴스당 4096개 샷 중 중앙값 5.514개의 최적 샷을 배치한 반면, 측정된 평균 격차 유지율에 따른 전역적 탈분극 모델은 2333개의 샷을 예측했습니다.
• 해결 시간: 하드웨어 TTS는 무잡음 값보다 5~14배 더 길었습니다. 첫 번째 제출에서 하드웨어 TTS는 세 가지 튜닝된 고전적 휴리스틱(Simulated Annealing, Tabu Search, Parallel Tempering)의 TTS보다 모든 인스턴스에서 더 높았습니다.
• 식재된 군: 무잡음 시뮬레이션에서 전이된 QAOA는 험난한 식재된 군에 대해 로컬 휴리스틱보다 우수한 성능을 보였습니다. 그러나 하드웨어에서 이 이점은 사라졌습니다. 장치는 62%의 블록에서 최적해를 찾았으며(무잡음 시 98%), 로컬 휴리스틱과 비슷하거나 그보다 낮은 성능을 보였습니다.
• 억제 효과: 동적 디커플링은 일반적으로 유지율을 높였으나, 트월링은 이를 낮추었습니다. 두 설정을 결의한 조합이 단일 설정보다 일관되게 성능을 개선하지는 못했습니다. 세션 간의 장치 드리프트(drift)는 억제 설정의 효과와 맞먹는 크기였습니다.
• ADMM 통합: QAOA 단계를 ADMM 루프 내에 포함시킨 소규모 연구는 하드웨어 오류가 분해 과정으로 전파되어, 무잡음 샘플링과 비교했을 때 최종 궤적과 솔루션 품질을 변화시킨다는 것을 보여주었습니다.

의의 및 주장
본 논문은 양자 최적화 회로를 평균 격차 또는 평균 비용 비교만으로 검증하는 것은 불충분하며 잠재적으로 오해의 소지가 있다고 주장합니다. 평균 격차는 장치가 나쁜 해를 피하는 능력에 의해 지배되기 때문에, 최적해나 최적에 가까운 집합의 보존을 예측하지 못하며, 이는 실제 최적화의 목표물입니다.

저자들은 다음과 같이 주장합니다:

• 평균 격차 일치가 최적해의 확률 보존을 보장하지 않습니다.
• 장치 매칭 노이즈 모델은 실패의 패턴($\eta_q < \eta$)은 재현할 수 있지만, 손실의 규모를 예측하는 데는 종종 실패하며 성능을 크게 과대평가합니다.
• 최적화 벤치마크 보고에는 최적해 및 최적에 가까운 집합의 바닥 보정 유지율과 관찰된 최적 샷의 수가 함께 포함되어야 합니다.
• 현재의 초전도 하드웨어에서 QAOA의 해결 시간은 고전적 휴리스틱보다 길 수 있으며, 무잡음 시뮬레이션에서 관찰된 이점은 실행 과정에서 살아남지 못할 수 있습니다.

본 연구는 향게의 벤치마크가 평균적인 지표를 넘어, 국소적 노이즈가 집중된 확률 분포를 평균이 시사하는 것보다 더 취약하게 만든다는 점을 인정하고, 고품질 해의 구체적인 생존 여부를 평가하는 방향으로 나아가야 한다고 결론짓습니다.