양자 컴퓨팅을 통한 강화학습 (RL) 기반 공정 합성의 향상

요약

본 연구는 공정 합성 문제를 해결하기 위해 마르코프 결정 과정(MDP)으로 공식화된 양자 강화학습(Quantum RL) 프레임워크를 제안합니다. 기존 양자 RL의 한계였던 큐비트 요구 사항 문제를 해결하기 위해 상태 인코딩 알고리즘을 도입하여 확장성을 개선했습니다. 실험 결과, 양자 접근 방식은 중간 규모의 문제에서 고전적 RL 대비 파라미터 효율성 측면에서 우수한 성능을 입증했습니다.

핵심 포인트

• 공정 합성을 마르코프 결정 과정(MDP)으로 공식화하는 일반화된 프레임워크 개발
• 상태 인코딩(State Encoding) 알고리즘을 통해 큐비트 요구 사항과 문제 크기를 분리하여 확장성 확보
• 고전적 RL(Classical RL) 대비 파라미터당 높은 효율성을 가진 양자 강화학습 모델 제시
• 공정 시스템 공학 분야에서 양자 컴퓨팅 응용을 위한 벤치마크 구축