마법 정보 기반 양자 아키텍처 탐색 (Magic-Informed Quantum Architecture Search)
요약
본 논문은 양자 우위를 뒷받침하는 핵심 자원인 '마법(magic)' 정보를 활용하여 양자 아키텍처 탐색(QAS) 기법을 제안합니다. 알파고에서 영감을 받아, 그래프 신경망(GNN)과 몬테 카를로 트리 검색(MCTS)을 결합한 방식을 사용하여 후보 회로의 마법을 추정하고, 이를 통해 목표 목적에 맞는 고마법 또는 저마법 영역으로 탐색 과정을 효과적으로 유도합니다. 실험 결과는 이 방법이 다양한 양자 문제와 크기에서 일관되게 우수한 성능 향상을 보임을 입증했습니다.
핵심 포인트
- 양자 아키텍처 탐색(QAS)에 '마법(magic)' 정보를 통합하여 자원 제어 능력을 높임.
- 알파고의 접근 방식을 차용하여 GNN 기반 MCTS를 사용하여 회로의 마법을 추정하고 탐색을 편향함.
- 제안된 기법은 구조화된 바닥 상태 에너지 문제와 일반적인 양자 상태 근사 문제에 적용 가능함을 입증함.
- GNN이 분포 밖(out-of-distribution) 인스턴스에서도 효과적으로 작동하며, 전반적인 해결 품질 향상을 보임.
비안정성 (Nonstabilizerness), 일반적으로 마법 (magic) 이라고 불리는 것은 양자 우위를 뒷받침하는 근본적인 자원입니다. 본 논문에서는 회로 설계의 일반적인 프레임워크 내에서 양자 자원을 제어할 수 있도록 하는 마법 정보 기반 양자 아키텍처 탐색 (QAS) 기법을 제안합니다. 알파고 접근법에 영감을 받아, 우리는 그래프 신경망 (GNN) 을 장착한 몬테 카를로 트리 검색 (Monte Carlo Tree Search) 기법을 사용하여 후보 양자 회로의 마법 (magic) 을 추정하는 방식으로 문제를 해결합니다. GNN 모델은 마법 기반 편향을 유도하여, 목표 목적에 따라 탐색을 고 마법 또는 저 마법 영역으로 안내합니다. 제안된 마법 정보 기반 QAS 기법은 구조화된 바닥 상태 에너지 문제와 더 일반적인 양자 상태 근사 문제에 대해 다양한 크기와 목표 마법 수준을 포함하여 벤치마크를 수행했습니다. 실험 결과는 제안된 기법이 탐색 트리 전체에 걸쳐뿐만 아니라 결과적인 최종 회로도에서 특히 마법을 효과적으로 영향을 미친다는 것을 보여주며, GNN 이 분포 밖 (out-of-distribution) 인스턴스에 작동하는 영역에서도 마찬가지입니다. 문제 무관 (problem-agnostic) 마법 편향을 도입할 수 있다는 원칙적 제약은 존재할 수 있지만, 우리는 테스트된 모든 문제에 걸쳐 일관성 있는 해결책 품질 향상을 관찰했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기