Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
본 논문은 노이즈가 존재하는 중규모 양자(NISQ) 시대에 적합한 새로운 양자 소프트웨어 테스트(QST) 접근 방식인 Qomino를 제안합니다. Qomino는 별도의 노이즈 추정이나 완화 단계 없이 노이즈 샘플 자체에서 테스트 결함을 판단하는 지배도 기반의 방법을 사용합니다. 다양한 벤치마크와 비교하여 높은 정확도와 효율성을 입증했습니다.
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 소프트웨어 테스트(QST)는 양자 프로그램이 사양을 준수하는지 확인하기 위한 핵심적인 품질 보증 활동입니다. 노이즈가 존재하는 중규모 양자(NISQ) 시대에는 게이트, 디코히어런스, 측정 오류가 관찰된 출력값을 왜곡시켜, 프로그램 결함을 노이즈와 구별하기 어렵게 만듭니다. 기존의 노이즈 인지 QST 문헌들은 일반적으로 테스트 오라클을 적용하기 전에 노이즈를 완화하거나 모델링합니다. 하지만 이러한 전략들은 상당한 비용을 발생시키거나 보정 데이터, 모델 훈련 또는 백엔드 특정 정보에 의존하여 적용 가능성이 제한적입니다. 본 논문에서는 별도의 노이즈 추정 또는 완화 단계 없이 노이즈가 포함된 샘플로부터 테스트를 판단하는 지배도 기반의 QST 접근 방식인 Qomino를 제시합니다. 이 접근 방식은 분해 인식 역구성(decomposition-aware inverse construction), 예상 결과와 가장 강력하게 관찰된 경쟁자 비교, 그리고 결론을 내릴 수 없는 결정에 대한 유한 재시도를 결합합니다. 우리는 6개의 Qiskit 프로그램에서 파생된 30가지 제어 버그 변종과 6개의 시뮬레이션 노이즈 백엔드를 사용하여 Qomino를 평가하고, 통계적, 양자 특화적, 학습 기반 방법을 아우르는 6개의 베이스라인과 비교했습니다. Qomino는 모든 6개 프로그램에서 85.65%의 정확도를 달성했으며 제한된 두 프로그램 평가에서는 99.95%를 기록하여, 해당 베이스라인들을 크게 능가했습니다. 명시된 설정 하에 평가된 프로그램 및 백엔드 전반에 걸쳐 Qomino는 비교된 양자 특화적 및 학습 기반 방법들보다 더 빠릅니다. 구성 요소별 제거 분석(Ablation)과 재시도 분석은 이 접근 방식의 주요 구성 요소들의 기여도를 뒷받침합니다.