[Paper] 그래프 기반 베이지안 최적화를 이용한 양자 회로 아키텍처 탐색 및 불확실성 보정 서러게이트

Source: arXiv - 2512.09586v1

개요

표현력이 뛰어나면서도 하드웨어 친화적인 변분 양자 회로(VQC)를 설계하는 것은 양자 머신러닝(QML)을 실제 문제에 적용하기 위한 가장 큰 난관 중 하나입니다. 이 논문은 그래프 신경망(GNN) 대리 모델을 활용한 그래프 기반 베이지안 최적화(BO) 프레임워크를 제안합니다. 회로를 그래프로 취급하고 불확실성을 고려한 BO를 적용함으로써, 저자들은 사이버 보안 데이터셋에서 회로 깊이와 게이트 수를 낮게 유지하면서 경쟁력(때로는 더 높은) 있는 분류 성능을 달성했습니다.

주요 기여

• VQC의 그래프 표현: 큐비트, 게이트, 연결성을 방향 그래프로 인코딩하여 체계적인 변형(게이트 추가/제거, 연결 재배선)을 가능하게 함.
• 불확실성 보정 GNN 대리 모델: GNN을 학습시켜 회로 성능을 예측하고, Monte‑Carlo dropout을 통해 예측 불확실성을 정량화하여 BO 획득 함수에 입력함.
• 불확실성을 활용한 Expected Improvement(EI) 획득: 탐색과 활용을 균형 있게 조절하면서 유망하지만 아직 충분히 탐색되지 않은 회로 설계로 안내함.
• 포괄적인 벤치마크: NF‑ToN‑IoT‑V2 사이버 보안 데이터셋에서 MLP 대리 모델, 랜덤 서치, 탐욕적 GNN 선택기와 비교하여 회로 복잡도는 낮추고 정확도는 동등하거나 더 높게 나타냄.
• 견고성 분석: 실제 양자 노이즈 채널(진폭/위상 감쇠, 열 이완, 디포라라이징, 읽기 오류) 하에서 발견된 회로를 평가함.
• 오픈소스, 재현 가능한 파이프라인: 시간 벤치마크, 최적 회로 내보내기, 데이터 전처리·양자 임베딩·학습 스크립트를 포함함.

방법론

1. 데이터 준비 – 원시 NF‑ToN‑IoT‑V2 텔레메트리를 필터링·특징 선택·스케일링하여 근시일 장치의 제한된 큐비트 수에 맞춤. 고전적 특징은 진폭 또는 각도 임베딩을 사용해 양자 상태로 인코딩.
2. 회로 그래프 구성 – 각 VQC를 그래프로 변환. 노드는 양자 게이트(Rx, CNOT 등)를, 엣지는 시간 순서와 큐비트 배선을 나타냄.
3. 대리 모델링 – GNN이 이러한 그래프를 입력받아 해당 하이브리드 양자‑클래식 분류기의 검증 정확도를 예측하도록 학습. 추론 시 Monte‑Carlo dropout을 적용해 평균 예측값과 분산(불확실성)을 산출.
4. 베이지안 최적화 루프
   • 획득: Expected Improvement(EI)를 대리 평균과 불확실성을 모두 사용해 계산.
   • 변형: 상위 회로를 변형(게이트 삽입·삭제·재배선)하여 후보 풀을 생성.
   • 평가: 후보를 양자 시뮬레이터(또는 실제 하드웨어)에서 실행해 실제 정확도를 얻고, 이를 GNN 재학습에 활용.
5. 종료 기준 – 회로 평가 예산이 소진되거나 EI가 임계값 이하가 되면 루프 종료.

전체 파이프라인은 모듈화되어 있어 대리 모델(GNN을 트랜스포머로 교체)이나 획득 함수를 핵심 탐색 로직을 다시 작성하지 않고도 교체 가능.

결과 및 발견

• GNN‑BO는 얕은 회로와 적은 얽힘 게이트를 지속적으로 발견했으며, 이는 잡음이 많은 하드웨어에서 오류율 감소로 이어짐.
• 정확도는 베이스라인과 동등하거나 더 높아, 대리 모델의 불확실성 안내가 성능을 희생하지 않음을 입증.
• 노이즈 견고성 테스트에서 현실적인 디포라라이징 노이즈(p = 0.01) 하에 ≤ 2 % 정도만 정확도가 감소했으며, 랜덤 서치의 깊은 회로는 5 % 이상 정확도 손실을 보임.

실용적 함의

• QML 프로토타이핑 가속화: 개발자는 자체 데이터를 삽입하고 BO 엔진이 하드웨어에 적합한 VQC를 제안하도록 함으로써 수 주에 걸친 수동 설계 작업을 단축.
• 하드웨어 인식 설계: 깊이와 2‑큐비트 게이트에 페널티를 부여함으로써 현재 초전도·트랩 이온 장치의 코히런스 시간 내에 맞는 회로를 자연스럽게 생성.
• 비용 효율적인 실험: 대리 모델 덕분에 전체 양자 하드웨어 실행 횟수가 크게 감소—수십 번의 전체 평가만으로 수렴 가능.
• 다른 도메인으로 전이 가능: 그래프 기반 표현은 작업에 독립적이며, 양자 화학 ansatz, 강화학습 정책, 기타 변분 알고리즘에도 재사용 가능.
• 오픈소스 툴링: 제공된 코드베이스는 기존 양자 SDK(Qiskit, Pennylane, Cirq)와 통합될 수 있어, 하드웨어가 개선될 때마다 회로 아키텍처를 자동으로 진화시키는 CI 파이프라인 구축이 용이.

제한 사항 및 향후 연구

• 더 큰 큐비트 수에 대한 확장성: 현재 실험은 시뮬레이터 제약으로 ≤ 8 큐비트에 국한됨; 20 큐비트 이상을 다루려면 계층적 그래프 인코딩이나 희소성 인식 GNN이 필요할 수 있음.
• 대리 모델 학습 비용: 전체 양자 평가보다 저렴하지만, GNN 학습에는 적당한 GPU 자원과 라벨링된 회로 집합이 필요함.
• 데이터셋 특이성: 사이버 보안 텔레메트리 데이터에 초점을 맞추었으며, 이미지·자연어 처리 작업에 대한 성능은 아직 검증되지 않음.
• 노이즈 모델 충실도: 시뮬레이션 노이즈 채널은 실제 하드웨어를 근사하지만, 교차-talk·보정 드리프트 등을 완전히 포착하지 못함; 향후 실제 양자 프로세서에서 폐쇄‑루프 최적화를 진행할 예정.

전반적으로 이 논문은 자동화된 양자 회로 탐색을 위한 개발자 친화적인 레시피를 제공하여, 이론적 QML 연구와 생산 수준 양자 응용 사이의 격차를 메우는 데 큰 기여를 합니다.

저자

• Prashant Kumar Choudhary
• Nouhaila Innan
• Muhammad Shafique
• Rajeev Singh

논문 정보

• arXiv ID: 2512.09586v1
• Categories: quant-ph, cs.AI, cs.LG, cs.NE, cs.NI
• Published: December 10, 2025
• PDF: Download PDF