양자 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.