Reinforcement learning with learned gadgets to tackle hard quantum problems on real hardware
Created by
- Haebom
Category
Empty
저자
Akash Kundu, Leopoldo Sarra
개요
본 논문은 양자 회로 설계의 어려움을 해결하기 위해 강화 학습과 프로그램 합성을 통합한 새로운 방법인 가젯 강화 학습(GRL)을 제시합니다. GRL은 복합 게이트(가젯)을 행동 공간에 자동으로 생성하고 통합하여 매개변수화된 양자 회로(PQC)의 탐색을 향상시킵니다. 특히, NP-hard 문제인 양자 해밀토니안의 기저 상태 근사와 같은 복잡한 작업에 적용됩니다. 횡단장 Ising 모델을 사용한 실험 결과, GRL은 향상된 정확도, 하드웨어 호환성 및 확장성을 보여주었으며, 제한된 계산 자원 하에서도 문제의 크기와 복잡성이 증가함에 따라 견고한 성능을 유지합니다. 또한, 가젯 추출 기능을 통합하여 특정 하드웨어에 맞춤화된 재사용 가능한 회로 구성 요소를 발견하여 알고리즘 설계와 실제 구현 간의 격차를 해소합니다. 따라서 GRL은 하드웨어 특정 최적화 및 변분 양자 알고리즘에 적용 가능한 양자 회로 최적화를 위한 다목적 프레임워크입니다.
시사점, 한계점
•
시사점:
◦
강화 학습과 프로그램 합성을 결합하여 양자 회로 설계 과정을 자동화함으로써 효율성과 정확성을 향상시켰습니다.
◦
하드웨어 특정 최적화에 적합한 재사용 가능한 양자 회로 구성 요소(가젯)를 자동으로 생성하고 통합합니다.
◦
제한된 계산 자원 하에서도 대규모 복잡한 문제에 대한 견고한 성능을 보여줍니다.
◦
변분 양자 알고리즘 및 하드웨어 특정 최적화에 적용 가능한 범용 프레임워크를 제공합니다.
•
한계점:
◦
현재 횡단장 Ising 모델에 대한 실험 결과만 제시되어 다른 양자 시스템으로의 일반화 가능성에 대한 추가 연구가 필요합니다.
◦
2-3일의 GPU 실행 시간이라는 제한된 계산 자원 하에서의 성능 평가 결과이므로, 더 큰 규모의 문제에 대한 성능은 추가적인 검증이 필요합니다.
◦
가젯 추출 및 강화 학습의 효율성 향상을 위한 추가적인 알고리즘 개발 여지가 있습니다.
