Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
양자 알고리즘의 출력 분포를 정확히 추정하기 위해 필요한 최소 샷(shots) 수를 결정하는 새로운 온라인 프레임워크 'IncrementalExecution'을 제안합니다. 회로 구조나 노이즈 모델에 의존하지 않는 블랙박스 설정에서 실행 비용과 결과 충실도 사이의 최적의 트레이드오프를 제공합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv Codex (cs.SE)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기양자 알고리즘은 출력 분포를 정확하게 추정하기 위해 샷(shots)이라고 알려진 반복적인 회로 실행을 필요로 합니다. 목표 정확도를 충족하는 데 필요한 최소 샷 수를 결정하는 것은, 특히 오늘날의 노이즈가 많고 비용이 많이 드는 양자 하드웨어에서 비용과 자원 사용을 줄이는 데 매우 중요합니다. 본 논문에서는 양자 회로의 구조나 백엔드(backend)의 노이즈 모델에 대한 어떠한 가정도 하지 않는 블랙박스(black-box) 설정에서의 샷 최적화 문제를 다룹니다. 우리는 수확 체감의 원리(point of diminishing returns), 즉 추가적인 샷이 고정된 회로의 경험적 분포(empirical distribution)를 더 이상 유의미하게 변화시키지 않는 지점에 기반하여 샷 실행을 언제 중단할지를 동적으로 결정하는 새로운 온라인 프레임워크인 IncrementalExecution을 소개합니다. 이 프레임워크는 샷 관리를 위한 맞춤형 정책을 지원하여, 정적 실행 시나리오 내에서 실행 비용과 결과 충실도(fidelity) 사이의 유연한 트레이드오프(trade-off)를 가능하게 합니다. 우리는 180개의 고유한 정적 양자 회로-백엔드 조합에 걸쳐 33,750개의 프레임워크 구성을 아우르는 광범위한 실험적 평가를 통해 총 730만 건의 독립적인 실험으로 제안 모델을 검증합니다. 문제 특화된 지식이나 알고리즘 의존적인 가정(예: 변분(variational) 또는 적응형(adaptive) 워크플로)에 의존하는 이전 연구들과 달리, 우리의 접근 방식은 방대한 양의 정적 회로에 적용 가능하며 현재의 양자 클라우드 플랫폼에 즉시 배포할 수 있습니다.