양자 순수 상태 앙상블은 복소 사영 공간(complex projective space) 위에 존재하므로, 평탄한 유클리드 생성 모델링과 기하학적으로 불일치한다. 본 연구에서는 내재적 플로우 매칭(Intrinsic Flow Matching, IFM)을 소개한다. IFM은 $\mathbb{CP}^{d-1}$ 위의 결정론적 전송 프레임워크로, Pancharatnam 위상 정렬 조건부 경로를 이용하여 접선 속도장(tangent velocity field)을 학습한다. IFM은 로컬 스코어 교사와 역시간 확률적 샘플링을 다양체 확률 흐름으로 대체하며, 수평 매개변수화(horizontal parameterization)를 통해 잉여 주변 방향을 제거한다. IFM 목적함수가 유도된 주변 전송장(marginal transport field)을 복원하고, 결정론적 사영 앙상블 흐름을 표현하며, 종점 및 안정성 보장을 제공함을 이론적으로 증명한다. 실험적으로, IFM은 고큐비트, 다중모달, 스핀 결맞음(spin-coherent), 물리학 영감, 진폭 인코딩 MNIST 이미지-벡터 벤치마크 전반에 걸쳐 주변 유클리드 플로우 매칭 대비 성능이 향상되는 경우가 많으며, 고차원 및 결맞음 민감 작업에서 가장 두드러진 향상을 보이나 모든 지표에서 일관되게 향상되지는 않는다.
Characterizing the features of a Hamiltonian that governs a quantum system serves as a fundamental subroutine of quantum device calibration, signal sensing, and error correction. Recent works proposed protocols have achieved the optimal Heisenberg-limited scaling learning ansatz-free Hamiltonians from their real-time evolutions without fully specifying interaction structures. However, these protocols rely on both deep circuits with interleaving probes and control, and extremely short time resolution, making them difficult to implement on near- and intermediate-term in situ quantum experiments. In this work, we propose a computationally efficient, control-free, and ancilla-free algorithm that uses only Pauli product state preparation and measurement, and learns an ansatz-free Hamiltonian $H$ with $||H||\leqΛ$ in total evolution time of $Θ(\fracΛ{ε^2}\log(\fracΛε))$. The evolution time cost of our algorithm is optimal for any control-free protocols as we further prove a lower bound of $Ω(\fracΛ{ε^2}\log(\fracΛε))$. Technically, our method introduces a randomized-sampling framework that combines band-limited kernel-based time sampling with a displacement sieve for Hamiltonian structure learning. The characteristic probe time resolution depends only on $Λ$ instead of $\varepsilon$, which makes our protocol especially appealing in the high-precision regime for sensing and calibration applications. We also show that the algorithm maintains the same asymptotic total evolution time in the presence of state-preparation-and-measurement (SPAM) noise when the Hamiltonian is local after calibration. Our results demonstrate the fundamental cost of experimentally friendly Hamiltonian learning and provide a practical route to rigorous in situ characterization of near-term quantum platforms.
QSignAI는 실시간 이벤트 참여에서 AI와 양자 과학의 양방향 결합을 보여주는 운영 플랫폼으로, 대화형 봇이 참가자의 첫 메시지를 SV1·DM1 시뮬레이터의 독립 단일 큐비트 하다마드 측정, Toeplitz 2소스 추출기, 2큐비트 Bell state 파이프라인으로 보내 고유한 양자 무작위성 시드 신원 서명을 생성한다. 시스템 아키텍처와 라이브 이벤트 정성적 증거로 지연 가능성과 양자 현상의 대중적 전달을, 프로덕션 배포로 통합 시스템의 실용성을 각각 입증했으며 현재는 클라우드 양자 시뮬레이터를 사용한다.
양자 컴퓨팅은 과학과 산업 전반에 걸쳐 획기적인 발전을 약속하지만, 이러한 연산을 가능하게 하는 물리적 하드웨어는 대중에게 여전히 보이지 않습니다. 양자 프로세서는 절대 영도에 가까운 온도에서 밀봉된 희석 냉동기(dilution refrigerator) 내부에서 작동하므로 직접 관찰이 불가능합니다. 양자 컴퓨팅의 증가하는 사회적 영향력과 대중의 이를 시각화하는 능력 사이의 이러한 '상상의 격차(imagination gap)'는 양자 소양(quantum literacy) 및 인력 양성에 있어 중요한 장벽입니다. 우리는 생성형 월드 모델을 사용하여 보이지 않는 양자 하드웨어를 탐험 가능하고 영화적인 경험으로 변환함으로써 이 격차를 해소하는 오픈 소스 브라우저 기반 대화형 애플리케이션인 Quantum Cinema를 소개합니다. Quantum Cinema는 사용자를 4막의 내러티브로 안내합니다. 노벨상을 수상한 기초 과학인 양자 얽힘(quantum entanglement)부터 시작하여, 3가지 주요 양자 컴퓨팅 아키텍처(트랩 이온(trapped-ion), 중성 원자(neutral-atom), 초전도 시스템)에 대한 선별된 비디오 소개를 거쳐, 보이지 않는 양자 현상을 관찰 가능하게 만드는 몰입형 3차원 생성형 세계로 들어가고, 마지막으로 실제 양자 장치 사양을 기반으로 한 대화형 레이더 차트 비교로 이어집니다. 모든 3차원 환경은 WorldLabs의 생성형 월드 모델 플랫폼을 사용하여 생성되었으며, Amazon Web Services (AWS) Braket 양자 하드웨어의 선별된 지표를 과학적으로 기반으로 합니다. Quantum Cinema는 설치, 전문 하드웨어, 양자 컴퓨팅 배경 지식이 필요하지 않습니다. 이는 플랫폼을 복제하거나 확장하려는 학자 및 개발자와, 다양한 대상에게 양자 하드웨어를 설명하기 위한 직관적인 도구를 찾는 교육자, 연구자, 과학 소통가라는 두 가지 독특한 커뮤니티를 위해 설계되었습니다. 본 논문에서는 시스템 아키텍처, 생성형 월드 모델 파이프라인, 두 커뮤니티를 위한 사용 사례, 그리고 향후 연구 방향을 설명합니다.
양자 회로 라우팅 시 하드웨어 보정(calibration) 데이터를 활용하는 그래프 강화학습 기반 라우터를 제안하여, 기존 SABRE 방법보다 높은 정밀도(fidelity)를 달성했다. MQT Bench 벤치마크 평가 결과, 제안된 방법은 게이트 수 기반 컴파일보다 우수한 성능을 보였다.
Coordinated optimization of departure sequencing and section-track allocation in railway short-term concentrated departure scenarios based on qubo and hybrid quantum algorithms
본 연구는 철도 단기 집중 출발 시나리오에서 출발 순서와 구간-선로 할당의 조율 최적화를 다룬다. 통합 이진 프레임워크 내에서 출발 위치 할당과 구간-선로 선택을 표현하기 위해 이차 무제약 이진 최적화(quadratic unconstrained binary optimization, QUBO) 모델을 수립한다. 디스패칭 방안의 품질은 정적 조합 모델로 완전히 포착할 수 없는 시간 의존적 운영 상호작용에 달려 있으므로, 구간 점유, 중간역 대기, 승강장 용량 압력, 운행 시간 변동, 지연 전파를 평가하기 위해 시뮬레이션 기반 평가 층을 도입한다. 이 계층적 프레임워크 안에서 기존 휴리스틱, 양자 영감(quantum-inspired) 알고리즘, 하이브리드 알고리즘을 동일한 의사결정 구조 위에서 비교한다. 결과에 따르면 QUBO 모델은 디코딩 후 실행 가능한 후보 방안을 생성할 수 있으며, 시뮬레이션 층은 정상 및 교란 조건 모두에서 경쟁 알고리즘의 운영 성능을 명확히 구분한다. 시험 시나리오에서 QPSO-QAOA는 정상 조건에서 가장 우수한 성능을 보였으며, 양자 강화 방법은 동적 조건에서 기존 대응 방법 대비 종합 비용을 평균 4.28%--26.26%, 총 지연을 평균 4.37%--24.25% 감소시켰다. 이러한 결과는 QUBO 기반 모델링과 시뮬레이션 기반 평가의 통합이 철도 단기 집중 출발 스케줄링을 위한 유용한 방법론적 프레임워크를 제공함을 시사하지만, 실제 운영 데이터를 이용한 검증은 여전히 필요하다.
올바른 주행 거부(veto) 이후의 핵심 질문은 기동(maneuver)이 안전하지 않은지 여부뿐만 아니라, 차단된 상호작용이 합법적이고 감사 가능하며 책임 범위가 제한된 수리를 허용하는지 여부이다. 예측 및 게임 이론적 플래너(planner)는 그럴듯한 협력을 제안할 수 있지만, 수리가 엄격한 규칙, 우선통행권(right-of-way), 비용 배분, ego 전용 폴백(fallback)을 준수한다는 증명을 반환하지는 않는다. 우리는 CARVE(Certified Affordable Repair of Vetoed maneuvers via Envelopes)를 소개한다. 이는 예측 없는(prediction-free) 대화형 수리를 위한 인증(certificate) 아키텍처이다. 거부된 기동이 주어지면, CARVE는 유한한 수리 격자(lattice)를 구성하고, 구속 규칙, 선택된 공동 수리, 우선통행권 스케일 협력 포락(envelope), 책임 가중 비용 분배, ego 전용 폴백을 기록하는 구조화된 인증을 출력한다. 이 인증 관점은 알고리즘적 병목을 드러낸다: 다중 소유자 수리는 곱 격자 $M = \prod_j |\mathcal{A}_j|$를 유도한다. 따라서 우리는 CARVE-Q를 도입한다. 이는 검증자 보호(verifier-shielded) 양자-AI 탐색 층(layer)으로, 이 블랙박스 격자에만 양자 최솟값 탐색(minimum finding)을 적용하면서 모든 안전성 권한은 고전적으로 유지한다. 보수적 검증자-오라클(verifier-oracle) 모델에서, 정확한 고전 최솟값 탐색은 최악의 경우 $Θ(M)$ 쿼리를 필요로 하는 반면, Durr-Hoyer/Grover 최솟값 탐색은 높은 확률로 $O(\sqrt{M})$ 오라클 쿼리를 사용한다. 우리는 검증자 보호 인증 건전성(soundness), 우선순위 비유출(non-elicitation), 블랙박스 쿼리 분리, 유한 정밀도(finite-precision) 가역 오라클 구성 가능성(constructibility)을 증명한다. 이어서 CARVE 수리 오라클에 대해 최대 65,536개 할당까지 상태 벡터(state-vector) 최솟값 탐색을 시연하고, Lanelet2 기반 INTERACTION 리플레이에서 인증 보존을 검증한다. 우선통행권 준수 100%, 책임(blame) 일관성 100%, 우선순위 위양성(false positive) 0건을 달성했다. 그 결과는 인증된 자율주행(autonomy)을 위한 신뢰 경계(trust-bounded) 양자-AI 패턴이다: 양자가 제안하고, CARVE가 인증한다.