CO-MAP: 큐비트 할당 문제에 대한 강화학습 (Reinforcement Learning) 접근 방식

요약

본 논문은 양자 컴퓨팅 파이프라인의 핵심 단계인 큐비트 매핑 문제를 해결하기 위한 새로운 접근 방식을 제시합니다. 기존 방식들이 무작위 할당이나 휴리스틱에 의존하여 SWAP 게이트 오버헤드를 최소화하는 데 한계가 있었으나, 본 연구는 이 문제를 조합 최적화(CO) 문제로 정식화하고 강화학습(RL) 정책을 학습하여 해결책을 찾습니다. 그 결과, 기존 양자 컴파일러 대비 SWAP 오버헤드를 65-85%까지 감소시키는 극적인 개선 효과를 입증했습니다.

핵심 포인트

• 큐비트 매핑은 양자 컴퓨팅 파이프라인에서 중요한 하위 문제이다.
• 기존의 큐비트 할당 방식은 무작위 또는 휴리스틱 기반으로 SWAP 게이트 오버헤드를 최소화하는 데 한계가 있다.
• 본 연구는 큐비트 매핑 문제를 조합 최적화(CO)로 정의하고 강화학습(RL) 정책을 학습하여 해결책을 제시한다.
• 제안된 RL 기반 접근 방식은 기존 기술 대비 SWAP 게이트 오버헤드를 65-85%까지 감소시키는 성능 향상을 보였다.