[Paper] Neuro‑Evolution을 이용한 양자 회로 설계 연구

Source: arXiv - 2602.03840v1

Overview

논문에서는 EXAQC (Evolutionary eXploration of Augmenting Quantum Circuits)를 소개한다. 이는 파라미터화된 양자 회로(PQCs)를 자동으로 설계하고 학습하는 신경‑진화 프레임워크이다. 회로 토폴로지, 게이트 선택, 큐비트 연결성, 깊이를 진화 가능한 특성으로 취급함으로써, 저자들은 진화적 탐색이 손수 만든 템플릿 없이도 하드웨어를 고려한 고성능 양자 모델을 생성할 수 있음을 보여준다.

핵심 기여

• 게이트 유형, 큐비트 연결성, 파라미터화 및 회로 깊이에 대한 통합 진화 탐색을 수행하며, 장치별 노이즈와 토폴로지 제약을 고려합니다.
• 하드웨어에 구애받지 않는 구현으로 Qiskit과 Pennylane 모두에서 동작하며, 개발자가 IBM, Rigetti 등 원하는 백엔드를 자유롭게 연결할 수 있습니다.
• 아키텍처와 파라미터를 동시에 최적화하여 회로 합성 후 별도의 학습 단계가 필요 없게 합니다.
• 여러 분류 벤치마크에 대한 실증 검증을 수행했으며, 제한된 계산 자원에서도 90 % 이상의 정확도를 달성했습니다.
• 상태 충실도 실험을 통해 진화된 회로가 목표 양자 상태를 높은 충실도 점수로 근접하게 에뮬레이션할 수 있음을 보여줍니다.

방법론

1. Population Encoding – 진화 인구의 각 개체는 완전한 PQC를 인코딩한다: 레이어 리스트, 각 레이어의 게이트 유형(예: Rx, Rz, CNOT), 각 게이트가 작용하는 큐비트, 그리고 연속 회전 파라미터.
2. Genetic Operators –
   • Mutation 은 무작위로 게이트 유형을 변경하고, 연결을 재배선하며, 회전 각도를 미세 조정하거나 레이어를 삽입/삭제한다.
   • Crossover 는 두 부모 사이에서 서브‑서킷을 교환하여 기능 블록을 보존한다.
3. Fitness Evaluation – 주어진 작업(예: 이진 분류)에 대해 회로를 시뮬레이터 또는 실제 장치에서 실행한다; 피트니스는 작업 성능(정확도 또는 충실도)과 깊이 및 게이트 수에 대한 페널티를 결합하여 하드웨어 친화적인 설계를 장려한다.
4. Evolution Loop – 인구는 선택(예: 토너먼트), 재생산 및 교체 과정을 거쳐 고정된 세대 수만큼 또는 수렴할 때까지 진행된다.
5. Framework Integration – EXAQC는 Qiskit 및 Pennylane API를 래핑하여 진화된 유전체를 실행 가능한 양자 프로그램으로 자동 변환하고, 장치별 제약(연결 지도, 노이즈 모델)도 처리한다.

이 과정은 고전 신경망에 대한 신경‑진화와 유사하지만, “뉴런”은 양자 게이트이고 “아키텍처”는 회로 토폴로지이다.

Results & Findings

• Rapid convergence: 대부분의 실행은 30세대(~200 회 회로 평가) 내에 90 % 이상의 정확도에 도달했습니다.
• Hardware awareness: IBM의 5‑qubit 장치 토폴로지에 제한될 때, 진화된 회로는 자동으로 지원되지 않는 CNOT을 회피하여 제한되지 않은 설계보다 낮은 오류율을 보였습니다.
• Parameter efficiency: 진화된 회로는 일반적으로 수동으로 설계된 ansätze와 비교해 파라미터 수가 적어, noisy intermediate‑scale quantum (NISQ) 하드웨어에서 학습 시간을 감소시켰습니다.

실용적 함의

• 가속화된 프로토타이핑 – 개발자는 데이터셋을 입력하고 EXAQC가 바로 실행 가능한 PQC를 생성하도록 할 수 있어, 수주에 걸친 수동적인 안사츠 설계 작업을 크게 단축합니다.
• 하드웨어 특화 최적화 – 장치 토폴로지와 노이즈 모델을 내장함으로써, 이 방법은 실제 양자 프로세서에서 성공 가능성이 높은 회로를 제공하여 클라우드 기반 양자 실험 비용을 낮춥니다.
• 크로스 플랫폼 이식성 – 프레임워크가 Qiskit과 Pennylane을 모두 지원하므로, 팀은 진화 로직을 다시 작성하지 않고도 백엔드(IBM, Rigetti, Xanadu)를 전환할 수 있습니다.
• AutoML 스타일 파이프라인 가능성 – EXAQC는 더 큰 양자 AutoML 시스템에 통합되어, 주어진 문제에 가장 적합한 양자‑클래식 하이브리드 아키텍처를 자동으로 선택할 수 있습니다.
• 교육 도구 – 진화 시각화는 초보자들이 게이트 배치와 연결성이 성능에 어떻게 영향을 미치는지 이해하도록 돕고, 양자 회로 설계 교육에 활용될 수 있습니다.

제한 사항 및 향후 연구

• Scalability – 실험은 ≤5 큐비트로 제한되었습니다; 진화적 탐색을 더 큰 레지스터로 확장하려면 더 스마트한 샘플링이나 계층적 진화가 필요합니다.
• Evaluation cost – 적합도 평가는 여전히 많은 회로 인스턴스를 실행하는 데 의존하며, 실제 하드웨어에서는 비용이 많이 들 수 있습니다; 대리 모델이나 전이 학습이 이를 완화할 수 있습니다.
• Benchmark breadth – 연구는 분류 및 상태‑준비 작업에 초점을 맞추었으며; EXAQC를 변분 양자 고유값 해결기(VQE)나 양자 화학에 적용하는 것은 아직 열려 있는 분야입니다.
• Hybrid search strategies – 그래디언트 기반 파라미터 튜닝과 진화를 결합(예: 라마르키안 진화)하면 수렴 속도를 더욱 향상시킬 수 있습니다.

전반적으로, 이 논문은 신경‑진화가 양자 회로 설계를 자동화하기 위한 실현 가능하고 하드웨어 인식 전략임을 보여주며, 보다 접근하기 쉽고 성능이 뛰어난 양자 머신‑러닝 파이프라인의 문을 열어줍니다.

저자

• Devroop Kar
• Daniel Krutz
• Travis Desell

논문 정보

• arXiv ID: 2602.03840v1
• 카테고리: cs.NE, cs.LG
• 발행일: 2026년 2월 3일
• PDF: Download PDF