기술 요약: 변분 양자 알고리즘을 위한 예산 인식 신경망 오차 완화 (Budget-Aware Neural Error Mitigation)

문제 정의

변분 양자 알고리즘(VQA), 예를 들어 VQE나 QAOA와 같은 알고리즘들은 현재 근미래 하드웨어의 장치 노이즈로 인해 제약을 받고 있다. 오차 완화(Error Mitigation, EM)가 표준적인 해결책이지만, 기존의 방법론 간 비교 방식에는 결함이 있다. 전통적인 벤치마크는 회로 실행당 샷(shots)의 수를 고정하지만, 단일 추정치를 생성하기 위해 필요한 *실행 배수(execution multiplicity)*는 무시한다.

ZNE(Zero-Noise Extrapolation)와 같은 방법은 하나의 추정치를 위해 3~5회의 실행이 필요하며, CDR(Clifford Data Regression)은 타겟 회로당 32회의 실행(31개의 훈련 회로 사용)을 요구한다. 반면, 학습된 신경망 모델은 단 한 번의 실행만 필요로 한다. 고정된 총 샷 예산 내에서 수천 개의 파라미터 설정을 평가해야 하는 VQA 루프 내에서는, 이 실행 배수가 어떤 방법이 실제로 감당 가능한지를 결정하는 핵심 요소가 된다. 또한, ZNE는 실제 장치가 위반하는 경우가 많은 노이즈 스케일링 가설에 의존하므로, 표준 정확도 지표로는 포착되지 않는 실패 모드를 초래할 수 있다.

방법론: 예산 조건부 신경망 오차 완화 (NEM)

저자들은 샷-노이즈 스케일을 모델의 명시적 입력으로 취급하여, 단일 네트워크가 어떤 배포 예산에서도 작동할 수 있도록 하는 예산 조건부 신경망 오차 완화(Budget-Conditioned Neural Error Mitigation, NEM) 프레임워크를 제안한다.

모델 아키텍처

이 모델은 주어진 노이즈가 포함된 $S$-샷 측정값 $\langle H \rangle_{noisy}$로부터 이상적인 기대값 $\langle H \rangle_{ideal}$을 예측하며, 다음의 조건들을 활용한다:

1. 회로 특징 ($x_c$): 큐비트 수, 레이어 수, 파라미터 수, 그리고 변분 각도.
2. 장치 특징 ($x_n$): 게이트 에러율, 판독 비대칭성(readout asymmetries), 캘리브레이션 드리프트 스케일.
3. 샷-노이즈 스케일: $1/\sqrt{S}$ 값이 장치 특징에 추가되어, 네트워크가 입력의 변동 중 어느 정도가 측정 노이즈이고 어느 정도가 학습 가능한 편향(bias)인지를 학습할 수 있게 한다.

아키텍처는 두 개의 다층 퍼셉트론(MLP) 인코더(회로 및 노이즈 특징용)와 입력 추정치에 더해질 잔차 보정(residual correction)을 출력하는 퓨전 네트워크로 구성된다. 표준 설정은 약 428K개의 파라미터를 사용한다.

훈련 프로토콜

• 데이터 생성: 훈련 쌍은 이상적인 라벨을 위한 정밀한 무노이즈 시뮬레이션과 입력값을 위한 노이즈 시뮬레이션을 사용하여 생성된다.
• 예산 조건화: 샷 수 $S$는 훈련 과정에서 $2^8$에서 $2^{16}$ 사이에서 로그 균등 분포(log-uniformly)로 추출된다. 이를 통해 모델은 재학습 없이도 다양한 예산에 맞춰 입력 변동을 조정하는 법을 학습한다.
• 손실 함수: AdamW를 사용하여 Huber loss를 최소화한다.

평가 프로토콜: 동일 예산 비교 (Equal-Budget Comparison)

본 논문은 모든 방법(NEM, ZNE, CDR, 그리고 완화되지 않은 실행)에 대해 평가 지점당 동일한 총 샷 예산 $B$를 할당하는 엄격한 평가 프로토콜을 도입한다.

• NEM: 1회의 실행과 $B$개의 샷을 사용한다.
• ZNE: $B$를 3~5회의 실행으로 나눈다 (예: 각 실행당 $B/3$ 샷).
• CDR: $B$를 32회의 실행으로 나눈다 (예: 각 실행당 $B/32$ 샷).
• 노이즈 레짐: 연구는 세 가지 레짐(확률적 장치 노이즈, 확률적-상관 노이즈, 코히어런트 미캘리브레이션/제어 오프셋 에러)에서 평가를 수행한다.

주요 결과

1. 파레토 최적 경계(Pareto Frontier)에서의 성능

동일 예산 프로토콜 하에서, NEM은 저-중간 예산 구간에서 우위를 점한다:

• 코히어런트 미캘리브레이션: NEM은 예산 $B=2^{10}$에서 $2^{16}$ 범위에서 평균 오차를 72–81% 감소시킨다. 이는 모든 테스트된 예산에서 가장 정확한 방법이다.
• 확률적 노이즈: NEM은 $B=2^{14}$까지의 예산에서 완화되지 않은 실행보다 성능이 우수한 유일한 방법이다 (11–20% 개선).
• 손익 분기점: CDR은 가장 큰 테스트 예산인 $B=2^{16}$에 도달해서야 비로소 NEM을 앞지르며, 이를 위해 NEM보다 32배 높은 per-evaluation 양자 비용을 요구한다.

2. 외삽(Extrapolation)의 실패 모드 (ZNE)

본 연구는 코히어런트 미캘리브레이션 상황에서 ZNE의 치명적인 실패 모드를 규명한다:

• 메커니즘: 유니터리 폴딩(Unitary folding)은 코히어런트 각도 에러를 선형적으로 증폭시키며, 이로 인해 관측량의 응답이 비단조적(non-monotonic)이 된다.
• 결과: ZNE는 시뮬레이션의 38–63% 사례에서 완화되지 않은 실행보다 더 나쁜 결과를 반환한다. 극단적인 경우, 단일 인스턴스의 오차가 완화되지 않은 수준보다 3 자릿수(1,000배) 높게 나타나기도 한다.
• 하드웨어 검증: 실제 IBM Heron 프로세서에서 ZNE는 **80–88%**의 사례에서 실패했으며, 평균 오차는 완화되지 않은 실행보다 3.0~4.1배 높았다.

3. 스케일링 및 강건성

• 큐비트 스케일링: NEM의 오차 감소율(61–85%)은 구조화된 노이즈 환경에서 4개에서 20개 큐비트까지 안정적으로 유지된다.
• 제한된 실패(Bounded Failure): 외삽 기반 방법(ZNE)이 발산할 수 있는 잠재적 위험이 있는 것과 달리, NEM의 출력은 제한된 잔차 보정값이다. NEM의 최악의 경우 오차는 모든 테스트 인스턴스에서 완화되지 않은 오차를 초과하지 않는다.
• 하드웨어 미세 조정: 디지털 트윈으로 훈련된 모델은 시뮬레이션-하드웨어 간의 격차를 보였다. 그러나 120개의 회트로 구성된 소규모 온-디바이스 데이터셋으로 미세 조정을 수행했을 때, 홀드아웃(held-out) 하드웨어 인스턴스에서 39%의 오차 감소를 회복했다.

4. 절제 연구 (Ablation Studies)

• 직접 예측 제어: 특징값으로부터 $\langle H \rangle_{ideal}$을 직접 예측하려는 모델은 노이즈가 포함된 측정값을 사용하지 않았을 때 완화되지 않은 실행보다 성능이 떨어졌다. 이는 네트워크가 단순 암기자가 아니라 '교정기(corrector)'로서 작동함을 확인시켜 준다.
• 특징 중요도: 장치 특성 특징들이 매우 중요하다. 이를 제거하면 오차가 3배 증가한다.

의의 및 주장

본 논문은 **예산 인식 계측(budget-aware accounting)**이 오차 완화 방법론을 비교하는 데 필요한 프레임워크라고 주장한다.

1. 배포의 현실: "최고의" 방법은 무제한 샷에서 가장 높은 정확도를 보이는 방법이 아니라, 평가 지점당 고정된 예산 내에서 가장 높은 정확도를 제공하는 방법이다. NEM은 정확도-비용 파레토 경계의 저예산 영역을 점유한다.
2. 안전성: NEM은 제한된 실패 동작을 제공하는 반면, 외삽 기반 방법(ZNE)은 코히어런트 노이즈 하에서 파멸적으로 발산할 수 있다.
3. 겸허한 주장: 저자들은 자신들이 아키텍처적 독창성을 주장하는 것이 아니라고 명시한다 (네트워크는 표준적인 residual MLP임). 또한 NEM이 보편적으로 우월하다고 주장하지도 않는다. CDR이 32배의 예산 증가를 감당할 수 있을 때 더 정확하다는 점을 인정한다. 본 연구의 기여는 평가 프로토콜, 예산 조건화 모델, 그리고 외삽 실패의 특성화에 있다.

결론적으로, 수천 개의 파라미터를 타이트한 샷 예산 하에서 평가해야 하는 VQA 최적화 루프를 위해서는, 단일 실행 기반의 학습된 오차 완화가 가장 신뢰할 수 있고 경제적인 선택지이다. 단, 시뮬레이션-하드웨어 간의 격차를 다루기 위한 메커리즘(예: 미세 조정)이 배포 과정에 포함되어야 한다.