Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
양자 지향 연산을 위한 의미론적 문제 표현 및 멀티 백엔드 실행 프레임워크인 QDSV를 제안합니다. 선언적 문제 의도를 구조화된 표현으로 연결하여 시뮬레이터와 하드웨어 간의 안정적인 실행 검증을 지원합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.PL (Programming Languages)의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기상태 공간(state spaces)에 대한 술어 기반 연산(Predicate-based computation)은 문제 명세(problem specification)와 이를 구현하는 백엔드(backend)를 분리합니다. arXiv:2606.15027에서 소개된 모델을 바탕으로, 본 논문은 양자 지향 연산(quantum-oriented computation)을 위한 의미론적(semantic), 멀티 백엔드 실행 프레임워크로서의 QDSV를 연구합니다. 우리는 QDSV, QIntent, 그리고 Qruba가 어떻게 선언적 문제 의도(declarative problem intent)를 구조화된 의미론적 표현(structured semantic representation)에 연결하고, 이질적인 백엔드 제약 조건(heterogeneous backend constraints) 하에서 해당 표현을 구현하며, 모델 수준의 의미론적 출력과 백엔드 특정 관측값(backend-specific observations)을 분리하는 실행 추적(execution trace) 출력을 보고하는지 설명합니다. 이 프레임워크는 원래의 문제가 회로(circuit)로 작성될 필요가 없는 실행 모드를 지원하는 동시에, 필요한 경우에는 회로 호환 가능한 산출물(circuit-compatible artifacts)을 허용합니다. 사례 연구로서, 우리는 Bonn 및 Delhi 데이터셋에서 준비된 신호 특징(signal features)을 사용하여 EEG 발작/비발작(ictal/interictal) 분류를 평가합니다. 이 연구는 고전적 머신러닝(classical machine-learning) 참조 모델, 회로 우선 변분 양자 분류기(circuit-first variational quantum classifier) 베이스라인, QDSV 시뮬레이터 실행, 그리고 제어된 IBM Quantum 하드웨어 실행을 비교합니다. 본 논문은 일반적인 양자 우위(quantum advantage)나 고전적 머신러닝에 대한 우월성을 주장하지 않습니다. 본 논문의 기여는 문제 우선 표현(problem-first representation)이 해석 가능한 실행 추적 출력을 유지하면서 시뮬레이터와 하드웨어 구현 전반에 걸쳐 어떻게 안정적으로 유지될 수 있는지를 보여주는 의미론적 실행 검증에 있습니다.