혁신적인 양자 컴퓨팅 아키텍처 탐색: TensorRL-QAS의 등장

Akash Kundu와 Stefano Mangini가 개발한 TensorRL-QAS는 텐서 네트워크와 강화학습을 결합하여 양자 회로 설계의 확장성 문제를 해결한 혁신적인 프레임워크입니다. 양자 화학 문제에 대한 실험 결과, 기존 방법 대비 성능과 효율성을 크게 향상시켰습니다.

최근 Akash Kundu와 Stefano Mangini가 이끄는 연구팀이 TensorRL-QAS라는 획기적인 양자 아키텍처 탐색(QAS) 프레임워크를 발표했습니다. 소음이 있는 중간 규모 양자 하드웨어에서도 의미있는 양자 문제를 해결할 수 있는 변분 양자 알고리즘의 가능성은 크지만, 양자 회로 설계는 여전히 큰 과제입니다. 회로는 목표 문제를 해결하고 동시에 장치의 제약 조건을 충족해야 하기 때문입니다.

기존의 강화학습(RL) 기반 QAS 방법은 큐비트 수, 회로 깊이, 노이즈가 증가함에 따라 계산 및 훈련 비용이 급격히 증가하는 확장성 문제에 직면해 왔습니다. 이러한 문제를 해결하기 위해 TensorRL-QAS는 텐서 네트워크(TN) 방법과 RL을 결합하는 새로운 접근 방식을 제시합니다.

TensorRL-QAS의 핵심은 목표 솔루션의 행렬 곱 상태(matrix product state) 근사를 사용하여 아키텍처 탐색을 시작하는 것입니다. 이를 통해 물리적으로 의미있는 회로로 탐색 공간을 효과적으로 좁히고, 원하는 솔루션으로의 수렴 속도를 높입니다.

12큐비트까지의 양자 화학 문제에 대한 실험 결과는 놀랍습니다. TensorRL-QAS는 기존 방법에 비해 CNOT 수와 회로 깊이를 최대 10배까지 감소시켰으며, 화학적 정확도는 유지하거나 더 나은 성능을 보였습니다. 뿐만 아니라, 함수 평가 횟수는 최대 100배 감소, 훈련 에피소드는 최대 98% 단축, 10큐비트 시스템에서 **성공 확률은 최대 50%**에 달했습니다. (기존 방법은 1% 미만). 소음이 없는 환경과 소음이 있는 환경 모두에서 강력한 성능과 다양성을 입증했으며, 최대 8큐비트 시스템에 대한 시뮬레이션 결과도 발표되었습니다.

TensorRL-QAS는 단순한 성능 향상을 넘어, 근시일 내 양자 하드웨어에서 효율적이고 확장 가능한 양자 회로 발견 프로토콜로 자리매김할 가능성을 보여줍니다. 이 연구는 양자 컴퓨팅 분야의 발전에 중요한 이정표가 될 것으로 기대됩니다. 앞으로 더욱 발전된 TensorRL-QAS를 통해 양자 컴퓨팅의 실용화가 더욱 가속화될 것으로 예상됩니다.