Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Fine-Tuning Large Language Models on Quantum Optimization Problems for Circuit Generation

Created by
  • Haebom

저자

Linus Jern, Valter Uotila, Cong Yu, Bo Zhao

개요

본 논문은 대규모 언어 모델(LLM)을 활용하여 양자 회로를 자동 생성하는 방법을 제시합니다. 양자 컴퓨팅 분야에서 LLM의 활용 가능성을 탐구하며, 특히 최적화 문제를 위한 매개변수화된 양자 회로를 생성하는 데 초점을 맞춥니다. 14,000개의 양자 회로 데이터셋을 이용하여 사전 훈련된 LLM을 미세 조정하고, QAOA, VQE, 적응형 VQE 회로를 포함하는 12가지 최적화 문제 인스턴스를 다룹니다. 미세 조정된 LLM은 OpenQASM 3.0으로 구문적으로 정확한 매개변수화된 양자 회로를 생성하며, 생성된 매개변수의 품질은 최적화된 기대값 및 분포와 비교하여 평가됩니다. 평가 결과, 미세 조정된 LLM은 기존 최첨단 모델보다 성능이 우수하며, 생성된 매개변수는 무작위보다 더 나은 것으로 나타났습니다. LLM이 생성한 매개변수화된 회로와 초기 매개변수는 양자 기계 학습의 템플릿이나 컴파일러 및 하드웨어의 벤치마크로 활용될 수 있습니다.

시사점, 한계점

•
시사점:
◦
LLM을 활용하여 대규모로 양자 회로를 자동 생성하는 새로운 방법을 제시.
◦
양자 최적화 문제에 대한 효율적인 양자 회로 생성 가능성을 보여줌.
◦
생성된 양자 회로와 매개변수는 양자 기계 학습 및 하드웨어 개발에 활용 가능.
◦
기존 최첨단 모델보다 우수한 성능을 보임.
•
한계점:
◦
사용된 데이터셋의 범위가 제한적일 수 있음. (12가지 최적화 문제 인스턴스만 포함)
◦
생성된 양자 회로의 최적성에 대한 추가적인 검증이 필요할 수 있음.
◦
실제 양자 컴퓨터에서의 성능 평가가 부족할 수 있음.
◦
LLM의 일반화 능력에 대한 추가적인 연구가 필요할 수 있음.
👍
Made with Slashpage