PyTorchKR Papers

최신 논문

총 42편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.09737v2physics.chem-ph

Q-Score: 분자 도킹을 위한 양자 네이티브 스코어링 함수

Q-Score: A Quantum-Native Scoring Function for Molecular Docking

분자 도킹은 소분자가 단백질에 결합하는 방식을 예측하며, 신약 개발의 핵심 병목 단계이다. 고전적인 스코어링 함수는 경험적 쌍별 접촉을 합산하는 방식으로, 결합 특이성을 결정하는 궤도 전하 이동과 같은 양자역학적 효과를 반영하지 못한다. 본 연구에서는 Q-Score를 제안한다. Q-Score는 GNN으로 예측된 궤도 전자 공여-수용 에너지를 가중 그래프로 인코딩하고, Digitized-Counterdiabatic QAOA를 통해 최대 가중치 정점 클리크 문제를 풀어 결합을 스코어링한다. 각 상호작용 앵커는 하나의 큐비트에 대응되며, 호환성 제약 조건은 에지로 표현된다. 11개의 단백질 타겟에 대해 DC-QAOA는 10큐비트에서 8개의 타겟에서 정확한 최적해를 복원한다. AI 생성 분자 1,000개에 대해 Q-Score는 Spearman rho 0.05로 고전적 스코어링과 직교하며, rho 0.90으로 궤도 품질에 의해 주도되고, 분자량 바이어스가 없으며, 무작위 대비 두 배의 비율로 강한 궤도 상호작용을 농축시킨다. DC-QAOA는 52%의 정확률과 함께 평균 근사 비율 0.94를 달성한다. IBM Eagle에서 1,000개의 회로 실행을 통해 NISQ 하드웨어상 6큐비트 문제의 해결 가능성이 확인되었다.

arXiv:2610.13811v1cs.LG

QTestBench: LLM 생성 양자 코드 평가를 위한 테스트 프레임워크

QTestBench: A Test Framework for Evaluating LLM-Generated Quantum Code

대규모 언어 모델(LLM)은 고전적인 코드 생성에서 우수한 결과를 보여주었으며, 해당 코드를 보호하는 단위 테스트를 작성하는 데에도 점점 더 많이 활용되고 있습니다. 그러나 양자 소프트웨어에 대해서도 동일한 역할을 수행할 수 있는지는 명확하지 않습니다. 양자 프로그램은 확률론적이고, 수치적 허용 오차에 의존하며, 도메인 특화 검사기(checker)를 통해 판단되기 때문에 잘 구성된 테스트라 할지라도 벤치마크의 판정과 불일치할 수 있기 때문입니다. 기존의 양자 벤치마크는 모델이 올바른 솔루션을 생성하는지 여부만 측정할 뿐, 모델이 생성한 테스트가 올바른 구현과 결함이 있는 구현을 구별할 수 있는지는 측정하지 못합니다. 본 논문에서는 LLM이 생성한 양자 테스트 스위트를 독립적인 벤치마크 검사기와 비교 평가하며, 테스트 자체를 결코 정답(ground truth)으로 간주하지 않는 프레임워크인 QTestBench를 소개합니다. 각 태스크에 대해 QTestBench는 모델이 구문적, 의미적, 동작적 테스트를 생성하도록 프롬프트를 제공하고, 런타임에 후보 솔루션을 주입하며, 각각 별개의 진단 질문에 답하는 세 가지 검증(validation) 코호트 하에서 각 테스트 판정과 검사기의 레이블을 비교합니다. 저자들은 8개의 PennyLane QHack 챌린지와 10개의 Qiskit HumanEval 태스크에서 5개의 LLM을 벤치마크합니다. 생성된 스위트는 거의 항상 실행되지만 변별력은 이에 미치지 못합니다. 가장 우수한 생성 모델도 QHack에서 0.71, Qiskit HumanEval에서 0.34의 테스트 품질에 도달하므로, 실행 가능성만으로는 테스트 품질이 과대평가됩니다. 오라클로 검증된 합성 뮤턴트는 결함이 전혀 발생하지 않은 10개 중 3개의 Qiskit 태스크처럼 자연적인 결함 솔루션이 희소할 때 버그 감지 추정치를 안정화합니다. QTestBench는 LLM이 생성한 양자 테스트의 신뢰성을 평가하기 위한 재현 가능하고 프레임워크 간 비교가 가능한 벤치마크를 제공합니다.

arXiv:2608.14319v2cs.LG

양자 다중 팔 밴딧 및 선형 밴딧: 하한과 알고리즘

Quantum Multi-Armed Bandits and Linear Bandits: Lower Bounds and Algorithms

본 논문에서는 학습자가 양자 보상(reward) 오라클 또는 그 역원을 통해 각 팔(arm)이나 행동을 질의하는 양자 다중 팔 밴딧(QMAB) 및 양자 선형 밴딧(QLB)을 연구합니다. 이전 연구에서는 $K$개의 팔을 가진 QMAB에 대해 $O(K\log T)$, $d$차원 QLB에 대해 $O(d^2\operatorname{polylog} T)$의 후회(regret)를 달성하는 시간 범위 $T$에 대한 알고리즘을 제시했습니다. 그러나 이는 $K$와 $T$에 대한 최적의 의존성과 $d$에 대한 의존성을 추가로 개선할 수 있는지 여부를 미해결 상태로 남겨두었습니다. 본 연구에서는 QMAB에 대해 $\Theta(K\log(1+T/K))$라는 최초의 엄밀한 미니맥스(minimax) 후회 경계를 증명하고, 유한 행동 QLB에 대해 $T$와 무관한 후회를 배제하는 최초의 하한인 $\Omega(d\log(1+T/d))$를 증명합니다. 본 연구의 하한은 고정된 보상 평균을 대안 구간과 구별하기 위한 고신뢰도 단일 팔 양자 테스팅 하한에 기반합니다. 이후 밴딧-테스팅 축소(reduction)를 통해 이를 QMAB 하한으로 확장하며, 선형 임베딩(embedding)을 통해 유한 행동 QLB 하한을 도출합니다. 이에 대응하는 QMAB 상한은 양자 몬테카를로(QMC) 추정량의 꼬리 경계(tail bound)를 사용하여 도출됩니다. 유한 행동 QLB의 경우, 설계 가중치에 맞춘 질의 할당을 통해 낮은 바이어스(bias) 및 낮은 분산을 갖는 양자 평균 추정량과 작은 지지 집합(small-support)을 갖는 $G$-최적 설계를 결합한 단계별 제거(phased elimination) 알고리즘을 제안합니다. 행동 집합의 크기가 $\operatorname{poly}(d)$일 때, 이 알고리즘의 후회는 $d$에 대해 거의 선형적이며 다항 로그 인자(polylogarithmic factor) 범위 내에서 본 연구의 하한과 일치합니다.

arXiv:2608.19779v2quant-ph

월드 모델과 현실의 정렬에서 나타나는 기약 양자 이점

An Irreducible Quantum Advantage in Aligning World Models with Reality

월드 모델(world model)은 실제 세계의 디지털 시뮬라크르를 제공하여, 비용이 많이 드는 실제 환경 배치 이전에 에이전트(agent)를 학습하고 테스트할 수 있도록 돕는다. 각 타임스텝마다 월드 모델은 행동을 입력받아 실제 세계의 통계와 일치하는 관측값 및 보상(reward)을 생성한다. 현재의 결과가 먼 과거의 사건에 의존하는 복잡한 환경에서는 메모리가 필요하다. 흔히 메모리를 늘림으로써 실제 세계와 가상 세계의 최적 에이전트 정책을 정렬(alignment)할 수 있을 만큼 항상 충분히 정확한 모델을 구축할 수 있을 것이라 기대할 수 있다. 본 논문에서는 실제 세계 자체가 고전적(classical)일 때조차도 고전적 월드 모델에 대해서는 이러한 가정이 거짓임을 보인다. 연구진은 모든 유한 고전 모델이 동일한 가능한 궤적 상에서 실패하는 실제 세계들을 구성한다. 즉, 실제 세계가 특정 행동을 명확히 선호할 때 행동을 구분하는 능력을 상실하거나, 차선의 행동에 가장 높은 기대 보상을 반복적으로 부여한다. 또한 기대 보상 추정치에는 사라지지 않는 평균 오차가 지속적으로 남는다. 반면, 이러한 각각의 실제 세계는 단일 큐트리트(qutrit)를 사용하여 해당 환경을 정확히 재현하는 양자 월드 모델을 허용한다. 이 양자 모델의 보상 추정치와 선호 행동은 항상 실제 세계의 것과 일치하여, 실제 세계와 가상 세계의 최적 정책이 완벽하게 정렬되도록 보장한다.

arXiv:2512.00751v4quant-ph

양자 신경망을 통해 효율적으로 학습 가능한 파편화

Fragmentation is Efficiently Learnable by Quantum Neural Networks

특정 물리적 양자계 클래스에서는 지수적으로 거대한 상태 공간이 동역학적으로 단절된 다수의 저차원 부분공간으로 "파편화(fragment)"됩니다. 본 논문에서는 입력된 양자 상태가 어느 부분공간에 속하는지 분류(classification)하는 '파편 분류(fragment classification)'라는 학습 문제를 소개합니다. 파편화 현상이 특정 조건을 만족할 때 양자 컴퓨터에서 이 학습 문제를 효율적으로 해결할 수 있음을 증명합니다. 나아가, 알려진 탈양자화(dequantization) 기법들이 파편 분류 문제에 적용되지 않음을 보여줌으로써 이 작업의 고전적 난해성을 뒷받침하는 증거를 제시합니다. 결과적으로 본 연구는 양자 컴퓨터가 효율적으로 수행할 수 있으면서도 알려진 고전적 탈양자화가 존재하지 않는, 물리적으로 동기 부여된 양자 머신러닝 작업의 드문 사례를 제공합니다.

arXiv:2609.28425v1quant-ph

머신러닝을 활용한 재귀적 상태 추정에서 근사 솔버의 수리 가능성

Repairability of Inexact Solvers in Recursive State Estimation with Machine Learning

재귀적 상태 추정은 종종 피드백 루프 안에서 근사적인 수치 해를 실행하며, 국소적으로 매우 정확한 단계가 전체적으로 더 나은 결과를 보장하지는 않는다. 고정된 선형 Kalman 모델에 대해, 규정된 부분공간과 노름 예산 내 보정이 국소 허용 가능성 허용 오차를 충족할 수 있는 조건을 특성화하고, 실제로 실행된 결함이 유한 구간 공분산 응답에 미치는 영향을 분석한다. 구현된 공분산에 대한 정확한 이득(gain)을 중심으로 각 결함을 두면 현재 솔브 오류와 상속된 이득 드리프트를 분리할 수 있다. 정확한 잔차-드리프트 항등식을 전개하면 2차 응답을 넘어 상반되는 4차 기여가 드러난다. 혁신(innovation) 공분산 팽창은 양의 방향으로, 국소 이득 재최적화는 음의 방향으로 작용한다. 일치하는 초기화 하에서, 고정 구간에서 유계 결함 열에 대해 균일한 절대 6차 나머지 상한은 2차 과소 또는 과대 예측에 대한 충분 조건을 제공한다. 머신러닝은 유계 보정을 제안하고, 학습기에 독립적인 잔차 증명서(residual certificate)와 검증된 폴백(fallback)이 기준 추정기를 바꾸지 않은 채 고전 및 양자 후보의 실행을 관장한다. 전력망 허용 오차 연구에서, 학습된 보정은 동일한 잔차 증명서 하에서 보정되지 않은 솔브에 비해 폴백 없이 배포할 때 최소 �共轭梯度(conjugate-gradient) 반복 횟수를 낮춘다. 변분 양자 선형 솔버와 어닐링 기반 이진 인코딩으로 재구성된 이득은 초전도 하드웨어上的 소규모 단말 측정과 양자 어닐러(quantum annealer)上的 샘pling을 거쳐 동일한 인터페이스로 실행된다. 국소 수리 가능성을 비선형 오류 전파와 연결함으로써, 이 프레임워크는 독립적 인증과 유한 구간 응답을 통해 근사 솔버와 학습된 보정을 평가하며, 하이브리드 양자-고전 계산 연구를 위한 실용적 토대를 제공한다.

arXiv:2609.28391v1quant-ph

양자 스코어 매칭과 열적 상태 학습에의 응용

Quantum score matching with applications to learning thermal states

스코어 매칭(score matching)은 계산이 불가능한 정규화(normalization) 상수, 즉 분배 함수(partition function)를 평가하지 않고도 데이터로부터 모델을 학습할 수 있게 함으로써 고전 생성 학습 분야에서 큰 진전을 이끌어 왔다. 그러나 양자 상태는 스칼라 확률이 아니라 비가환(noncommuting) 밀도 연산자로 기술되므로, 이 원리를 양자 학습으로 확장하려면 그 토대를 다시 생각해야 한다. 비가환성은 양자 스코어를 정의하는 데에서뿐만 아니라, 효율적인 회로 구현과 엄밀한 이론적 보장을 갖춘 학습(training) 프레임워크를 개발하는 데에서도 근본적인 어려움을 야기한다. 본 연구에서는 종단 간(end-to-end) 이론적 보장을 갖춘 일반적인 양자 스코어 매칭 프레임워크를 정립하여 이러한 간극을 메운다. 깁스 상태(Gibbs-state) 학습에 적용했을 때, 제안한 접근법은 추가적인 열적 상태(thermal-state) 준비를 필요로 하지 않으며, 국소성(locality)과 상호작용 차수(interaction degree)가 유계인 해밀토니안에 대해 고온 영역에서 정보이론적으로 최적인 샘플 복잡도를 달성한다. 이는 스코어 매칭을 양자 깁스 상태 학습에서 최고 수준의 성능을 얻는 새로운 경로로 자리매김하게 한다. 이러한 이론적 결과에 더하여, 수치 시뮬레이션 결과 제한된 측정 예산 하에서 그래디언트가 부정확하게 추정되더라도 제안한 방법이 여전히 효과적임을 보인다. 또한 IBM 양자 하드웨어에서의 실험은 양자 스코어 매칭이 NISQ 친화적임을 추가로 보여 준다. 즉, 어떠한 오류 완화나 정정 없이도 해밀토니안 매개변수(parameter)의 상대 오차를 64%에서 약 10%로 줄인다. 이러한 결과를 종합하면, 스코어 매칭을 양자 상태 학습을 위한 실험적으로 구현 가능한 패러다임으로 확장한 것이다.

arXiv:2607.13897v3cs.LG

Quantum Kitchen Sinks를 이용한 RF 스펙트로그램 이상 탐지: 아키텍처, 표현 및 하드웨어 검증

RF Spectrogram Anomaly Detection with Quantum Kitchen Sinks: Architecture, Representation, and Hardware Validation

무선 채널의 브로드캐스트 특성으로 인해 무선 주파수(RF) 네트워크는 이상 및 악의적 전송에 노출되며, 이상 탐지는 안전한 스펙트럼 관리를 위한 근본적 요구사항이 된다. Quantum Kitchen Sinks(QKS)는 근시일 내 양자 기기에 적합한 경량 하이브리드 양자 특징 맵을 제공하지만, 구조화된 신호 데이터에서의 동작은 아직 잘 이해되지 않았다. 본 논문에서는 다중 깊이 데이터 재업로딩(re-uploading)과 링 얽힘(ring entanglement)으로 표준 QKS 템플릿을 확장하고, 이를 제어된 RF 스펙트로그램 이상 탐지 파이프라인에서 평가한다. 검증 고정(validation-locked) 5단계 어블레이션 프로토콜을 도입하여, 얕은 아키텍처, 재업로딩 깊이, 에피소드 예산, 입력 표현, 고전적 판독(classical readout)의 효과를 체계적으로 분리한다. 완료된 벤치마크 전반에서 이산 코사인 변환(DCT) 표현이 원시 입력 및 주성분 분석(PCA) 입력을 일관되게 압도하며, 중간 깊이의 얽힌 QKS 구성이 가장 강한 운용 영역을 형성하고, 보류 테스트 세트에서 평가된 모든 표현-판독 쌍에 대해 QKS가 매칭된 고전적 직접 판독 기준선보다 개선되며, 최적 구성은 테스트 AUROC(수신자 조작 특성 곡선 아래 면적) 0.8778과 테스트 F1 0.7995에 도달한다. 본 연구는 두 수준의 현실성을 연결한다: 데이터 측면에서는 실측 서브-6\,GHz 셀룰러 신호, 컴퓨팅 측면에서는 ibm_quebec 양자 처리 장치(QPU)에서의 실제 장치 검증이며, 시뮬레이션 대비 AUROC 편차는 0.013 미만이다. 이 결과는 무선 네트워크에서 QKS 기반 이상 탐지를 배포하기 위한 실용적이고 재현 가능한 프레임워크를 제공한다.

arXiv:2607.22468v1quant-ph

트랜스포머 모델을 이용한 분자 기저 상태 준비 학습

Learning to Prepare Molecular Ground States with Transformer Models

양자 상태 준비는 많은 양자 알고리즘의 핵심 구성 요소이다. 이 단계를 효율적으로 수행하는 것은 양자 화학 응용에서 실용적인 양자 이점(quantum advantage)을 실현하는 데 필수적이다. ADAPT-VQE와 같은 반복 알고리즘은 얕은 기저 상태 준비 회로를 생성할 수 있지만, 재료 과학 및 의약품 개발과 관련된 더 큰 분자에 대해서는 계산적으로 비현실적이 된다. 여기서 우리는 전자 구조 계산을 위한 기저 상태 준비 회로를 합성하는 방법을 학습하는 생성형 AI 프레임워크인 ADAPT-GQE를 소개한다. 먼저 ADAPT-VQE를 사용하여 고품질 참조 회로를 생성하고, 이를 회로 생성 모델 학습의 목표로 사용한다. 학습이 완료되면 모델은 회로를 효율적으로 제안하고 점수를 매길 수 있으며, 이를 통해 강화학습(RL)이 ADAPT-VQE 학습 데이터의 정확도를 넘어서는 회로 생성 정확도를 달성하도록 할 수 있다. 이 파이프라인은 상태 준비 정확도를 유지하거나 개선하면서 ADAPT-VQE 대비 회로 생성 시간을 자릿수(order of magnitude) 수준으로 단축한다. 우리는 이미프라민(imipramine)에 ADAPT-GQE를 시연하는데, 이미프라민은 약물 안정성 프로토콜에서 계산 모델링을 위한 대표적이고 도전적인 표적 역할을 하는 잘 알려진 삼환계 항우울제이다. 생성된 회로를 Quantinuum Helios-1에서 실행하였으며, 이는 최첨단 양자 하드웨어에서 AI가 생성한 양자 화학 회로의 이정표를 나타낸다. 이러한 결과는 실용 규모(utility-scale) 양자 계산 화학을 위한 자동화된 양자 회로 합성으로 나아가는 경로를 확립한다.

arXiv:2606.00045v2cs.AI

범용 양자 트랜스포머

Universal Quantum Transformer

고전적인 연속 공간 신경망은 모듈러 산술(modular arithmetic)과 비아벨 군 대수(non-Abelian group algebra) 같은 수학적 규칙이든, 체계적 조합 일반화(systematic compositional generalization) 같은 언어적 규칙이든, 정확한 형식 규칙에 고정하는 데 근본적으로 어려움을 겪는다. 이러한 이산적 논리 규칙을 근사하려면 종종 대규모 매개변수 스케일링에 의존하며, 이는 grokking으로 알려진 지연된 일반화 현상 이후에도 확률적 불안정성을 초래한다. 여기서 우리는 Universal Quantum Transformer(UQT)를 소개한다. 이는 다중 큐빗 시스템의 물리적 특성을 정확한 대수적 및 조합적 추론을 위한 범용 귀납적 바이어스(universal inductive bias)로 사용하는 새로운 양자 네이티브 컴퓨팅 아키텍처이다. 고전적 신경 메커니즘을 번역하는 대신, 우리 프레임워크는 매개변수화된 기하학적 위상 임베딩(parameterized geometric phase embedding)과 $SU(2)$ 파동 간섭(wave-interference)에 전적으로 의존한다. 우리는 551~1,650개의 학습 가능한 매개변수만을 갖춘 매우 컴팩트한 5 또는 6 큐빗 기질(substrate)에서 동작하는 동일한 양자 어텐션 회로가, 순환 모듈러 산술($\mathbb{Z}_{11}$), 비아벨 대수($S_4$ 치환군), 체계적 언어적 조합성(SCAN 언어)이라는 세 가지 매우 상이한 형식 클래스를 정확히 학습함을 보여준다. 다층 퍼셉트론(MLP)과 트랜스포머를 포함한 표준 고전 모델이 수렴 시 확률적 불안정성을 보이는 반면, UQT는 수학적으로 정확하고 결정론적인 일반화를 달성한다. 우리는 이 더 엄격한 체제를 결정화(crystallization)라 정의한다. 이는 잘 알려진 grokking 현상을 넘어선 단계이다. 마지막으로, 우리는 UQT를 노이즈가 있는 중간 규모 양자(noisy intermediate-scale quantum, NISQ) 하드웨어에 배포하여 IBM Quantum 컴퓨터에서 97.5%의 정확도를 달성했다. 이 결과는 UQT가 표준 고전적 연속 공간 아키텍처가 본질적으로 제공하지 못하는 정확한 형식 추론을 위한 구조적으로 적합한 귀납적 바이어스를 제공함을 보여준다.

arXiv:2607.21675v1quant-ph

Hash-QNeRF: 양자 신경 방사 필드를 위한 다중해상도 해시 인코딩

Hash-QNeRF: Multiresolution Hash Encoding for Quantum Neural Radiance Fields

신경 방사 필드(Neural Radiance Fields, NeRF)는 신규 시점 합성을 혁신했지만, 고전적 구현은 고충실도 렌더링에 여전히 계산 비용이 크다. QNeRF는 최근 진폭 임베딩, 매개변수화 양자 회로(PQC), 패리티 기반 측정, 체적 렌더링을 결합하여 게이트 기반 양자 컴퓨터에서 NeRF를 학습하는 것이 가능함을 보였다. 그러나 QNeRF는 공간 좌표에 고전적 사인파 위치 인코딩에 의존하며, 이는 장면 복잡도 및 해상도에 따라 확장성이 떨어진다. 본 연구에서는 시점 방향 인코딩, 진폭 MLP, 양자 회로, 패리티 측정, 출력 스케일링, 체적 렌더링 파이프라인은 그대로 유지한 채, 공간 좌표용 사인파 위치 인코딩을 Instant-NGP의 다중해상도 해시 인코딩으로 대체한다. 이 하이브리드 설계인 Hash-QNeRF는 학습 가능한 해시 그리드의 빠른 수렴과 메모리 효율성을 활용하면서도 양자 방사량 예측 단계를 유지한다. 합성 Blender 장면에서 최종 학습 손실 0.003534를 달성했으며, 이는 피팅된 배치에서 약 24.5 dB PSNR에 해당한다. Qiskit FakeKyiv 및 FakeTorino 백엔드를 사용한 잡음 강건성 실험에서는 상태 충실도가 0.93에서 0.98로 나타나, 해시 인코딩이 양자 회로의 잡음 내성을 저하시키지 않음을 보인다.

arXiv:2605.25572v2cs.CL

PennySynth: 자동 양자 코드 생성을 위한 RAG 기반 데이터 합성

PennySynth: RAG-Driven Data Synthesis for Automated Quantum Code Generation

양자 프로그래밍 프레임워크의 복잡성 증가는 기존 대규모 언어 모델(LLM) 기반 코드 어시스턴트의 중요한 한계를 드러냈다. 범용 모델은 전문적인 양자 코딩 과제에 직면하면 PennyLane 전용 게이트 이름을 환각하고, 디바이스 설정을 잘못 배치하며, 구조적으로 유효하지 않은 회로를 생성한다. 본 논문은 PennySynth를 제안한다. 이는 13,389개의 PennyLane 지시-코드 쌍으로 구성된 큐레이션된 지식 베이스에 LLM 추론을 조건화하여 이러한 공백을 해소하는 검색-증강 생성(RAG) 프레임워크이다. 이 지식 베이스는 공식 PennyLane 저장소, 커뮤니티 GitHub 소스, QHack 대회 아카이브에 대해 추출, 검증, 중복 제거의 3단계 파이프라인을 통해 구축되었다. PennySynth는 자연어-코드 검색을 위해 학습된 st-codesearch-distilroberta-base를 사용하는 코드 인식 임베딩 전략을 도입하여, 범용 기준선과 비교해 평균 검색 코사인 유사도를 0.45에서 0.726으로 높였다. 2022, 2023, 2024년 QHack 대회 3년간에 걸친 74개 과제에서 평가한 결과, PennySynth는 QHack 2022, 2023, 2024에서 각각 64%, 68%, 52%의 pass@5를 달성했으며, 검색 없이 사용한 Claude Sonnet 4.6 대비 각각 +28, +25, +28 퍼센트포인트 향상을 보였다. 또한 qml.* 토큰 패턴의 가중치를 높이는 양자 적응형 CodeBLEU 지표를 도입하고, 구조적 코드 유사도와 기능적 정확성이 양자 코드 품질의 서로 다른 측면을 포착함을 보였다. 통제된 ablation 연구 결과, 코드 인식 임베딩이 검색 성능의 주요 동인이며, 데이터셋 확장과 소스 구성은 검색 품질이 충분히 정밀할 때 추가적인 이득을 제공함을 밝혔다.

arXiv:2607.13722v1quant-ph

양자 내성 암호의 복원력 평가를 위한 양자 머신러닝 연구

Towards quantum machine learning for assessing the resilience of post-quantum cryptography

양자 컴퓨터의 잠재적 능력은 대규모 내결함(fault-tolerant) 양자 컴퓨터에 접근할 수 있는 적대자로부터 통신을 보호하기에 적합한 암호 프로토콜의 개발을 촉진했다. 그러나 현재 양자 컴퓨터는 규모와 정밀도 측면에서 제한적임에도 불구하고, 양자 내성 암호 프로토콜의 허점과 취약점을 찾는 데 여전히 유용할 수 있다. 본 연구에서는 이러한 목적을 위해 양자 머신러닝에서 사용되는 유망한 아키텍처 중 하나인 양자 생성적 적대 신경망(Quantum Generative Adversarial Networks, QGANs)의 능력을 활용하려는 시도를 제시한다. 해시 기반 디지털 서명의 확률 분포를 양자 컴퓨터 메모리에 적재하기 위해 QGAN 아키텍처를 적용한 예시를 설명한다. 결과는 근시일 내 하이브리드 양자-고전 방법이 이 목적에 필요한 능력을 갖추고 있음을 확인한다. 제시된 접근법은 양자 내성 암호 원시(primitive)를 공격하기 위해 양자 컴퓨팅을 활용하는 워크플로의 첫 단계로 사용할 수 있다.

arXiv:2607.10057v1quant-ph

양자 회로 비전: 양자 코드 생성을 위한 시각적 AI 에이전트의 비용 인식 평가

Quantum Circuit Vision: Cost-Aware Evaluation of Visual AI Agents for Quantum Code Generation

AI 에이전트가 양자 회로 다이어그램을 시각적으로 이해하고 실행 가능한 검증된 코드를 생성할 수 있는가—그리고 그 비용은 얼마인가? 본 논문에서는 양자 회로 시각적 이해를 위한 멀티모달 AI 에이전트의 비용 인식 평가 프레임워크인 Quantum Circuit Vision을 제안한다. 우리는 실행 가능한 Amazon Braket 코드와 유니터리 충실도(unitary-fidelity) 검증을 갖춘 13개 카테고리($1$--$10$ 큐비트)에 걸친 132개 회로 벤치마크를 구축하였다. 서로 다른 성능-비용 계층의 Claude 패밀리 프런티어 모델 3종을 $n=5$ 반복 시험으로 평가한 결과, 중간 계층 모델(Sonnet 4.6, $1.30\times$ 크레딧)이 비용-정확도 프런티어에서 가장 유리한 균형을 제공함을 발견하였다: 핵심 서브셋에서 91% 통과율을 기록하면서 가장 강력한 모델(Opus 4.6)의 호출당 비용의 18%에 불과하였으며, Opus 4.6의 정확도 우위는 통계적으로 유의하지 않았다(대응 $t$: $p=0.083$). 로지스틱 회귀 분석을 통해 회로 깊이가—큐비트 수가 아닌—실패의 주요 예측 변수임이 확인되었다($p<0.001$). 사고의 연쇄(Chain-of-Thought) 프롬프팅은 통계적으로 유의미한 효과를 보이지 않아(모든 $p>0.18$, $n=5$), 구조적으로 결합된 다이어그램에서는 명시적 추론 전략보다 시각적 패턴 인식이 더 중요함을 시사한다. 우리는 저렴한 모델에서 고가 모델로의 캐스케이드 라우팅 전략(cheap $\rightarrow$ expensive models)을 제안하며, 이 전략은 단일 모델 비용의 38%로 84% 정확도를 달성함으로써 모델 라우팅이 프롬프트 엔지니어링보다 비용 절감의 핵심 수단임을 입증한다. 우리는 발견 가능성, 상호운용성, 책임 있는 AI 문서화를 위한 구조화된 메타데이터를 갖춘 개방형 평가 인프라로서 QCV-Dataset(132개 회로, 5개 모달리티, 1,931개 파일)을 Hugging Face Hub에 공개하고, 완전한 재현성을 위한 모든 평가 코드, 비용 로그, 검증 스크립트를 GitHub에 공개한다.

arXiv:2506.21324v3cs.NE

양자 메모리와 지역 학습을 갖춘 확률적 양자 스파이킹 신경망

Stochastic Quantum Spiking Neural Networks with Quantum Memory and Local Learning

신경모사 컴퓨팅과 양자 컴퓨팅은 최근 인공지능 발전을 위한 유망한 패러다임으로 부상했으며, 각각 상호 보완적인 강점을 제공한다. 스파이킹 뉴런 기반 신경모사 시스템은 희소하고 이벤트 기반 연산을 통해 시계열 데이터를 효율적으로 처리하며, 입력 이벤트가 발생할 때만 에너지를 소비한다. 반면 양자 컴퓨팅은 큐비트 수에 따라 차원이 지수적으로 증가하는 상태 공간에서 동작한다—텐서 곱 합성의 결과로—양자 상태는 기저 상태 간 중첩과 하위 시스템 간 얽힘을 허용한다. 이 두 패러다임을 결합한 하이브리드 접근법은 잠재력을 보이기 시작했지만, 기존 양자 스파이킹 모델에는 중요한 한계가 있다. 특히, 기존 모델들은 단일 큐비트에 고전적 메모리 메커니즘을 구현하여 발화 확률을 추정하기 위해 반복 측정이 필요하고, 학습에는 기존의 역전파에 의존한다. 본 논문에서는 이러한 과제를 해결하는 새로운 확률적 양자 스파이킹(SQS) 뉴런 모델을 제안한다. SQS 뉴런은 다중 큐비트 양자 회로를 사용하여 내재적 양자 메모리를 갖춘 스파이킹 유닛을 구현하고, 추론 시 단일 샷(single shot)으로 이벤트 기반 확률적 스파이크 생성을 가능하게 한다. 또한 SQS 뉴런으로 구성된 네트워크—SQS 신경망(SQSNN)으로 명명—를 연구하고, 하드웨어 친화적인 지역 학습 규칙으로 학습할 수 있음을 보여 전역적 고전 역전파의 필요성을 제거한다. 제안한 SQSNN 모델은 일반 및 신경모사 데이터셋 모두에 대한 실험을 통해, 학습 가능한 파라미터 총수를 고정한 조건에서 이전 양자 스파이킹 신경망뿐 아니라 고전적 대응 모델 대비 성능이 향상됨을 보여주며, 신경모사 통합 감지 및 통신(N-ISAC)과 같은 이벤트 기반 응용 분야에서의 잠재력을 부각한다.

arXiv:2607.12418v1cs.CV

MQAdapter: 거칠-세밀 VLM 미세조정을 위한 다중모달 양자 어댑터

MQAdapter: Multi-Modal Quantum Adapter for Coarse-to-Fine VLM Fine-tuning

대규모 비전-언어 모델(VLM)은 다양한 작업 전반에 걸쳐 인상적인 전이학습 능력을 보여왔다. 퓨샷(few-shot) 분류에서 VLM은 후보 범주를 걸러내는 눈에 띄는 능력을 보여 Top-K 정확도를 높게 달성한다는 점을 관찰했다. 그러나 시각적으로 유사한 범주 간의 세밀한 구별에는 종종 어려움을 겪어, 그림 1에서 보듯 Top-1 성능이 만족스럽지 못하다. 기존 VLM 어댑터 연구는 일반적으로 특징 공간에서 시각적 표현과 텍스트 표현 간의 전역적 정렬(alignment)에 초점을 맞추지만, 의미적으로 유사한 범주를 활용해 세밀한 시각적 표현을 정제하는 데는 실패한다. 이러한 관찰에 기반해, 양자 연산을 활용한 퓨샷 학습을 위한 새로운 거칠-세밀 VLM 미세조정 접근법인 다중모달 양자 어댑터(Multi-Modal Quantum Adapter, MQAdapter)를 제안한다. 구체적으로 MQAdapter는 먼저 입력 이미지와 가장 유사한 Top-K 범주 후보를 검색하여 이를 의미적 앵커(semantic anchor)로 사용한다. 그다음 이러한 앵커의 안내 하에 시각적 특징을 정제하기 위해 교차모달 양자 학습 메커니즘을 사용한다. 이 메커니즘의 핵심은 시각적 및 텍스트 특징을 양자 상태(quantum state)로 인코딩하는 것이다. 고차원 Hilbert 공간에서 양자 얽힘(entanglement)과 중첩(superposition)을 활용함으로써, MQAdapter는 고차 교차모달 상호작용을 효과적으로 모델링하여 전통적인 유클리드(Euclidean) 어댑터보다 더 판별력 있는 표현을 생성한다. MQAdapter는 매개변수 효율적이며, 다양한 기존 미세조정 알고리즘과 통합하여 추가적인 성능 향상을 달성할 수 있다. 15개 데이터셋에 대한 평가는 더 적은 수의 학습 가능 매개변수로도 MQAdapter의 효과를 입증한다.

arXiv:2607.12780v1quant-ph

가까워도 충분하지 않을 때: 양자 회로 합성의 자기회귀형 드리프트

When Close Enough Is Not Enough: Autoregressive Drift in Quantum Circuit Synthesis

오류 허용(fault-tolerant) 컴퓨팅을 위한 양자 회로 최적화는 T 게이트와 같은 비용이 큰 비-Clifford 자원을 최소화하면서 정확한 기능적 동등성(functional equivalence)을 요구한다. 우리는 구조화된 회로 토큰화(structured circuit tokenization)를 갖춘 4480만 매개변수 규모의 컴팩트한 인코더-디코더 트랜스포머를 사용해 이 문제를 연구하며, 매개변수화(parameterized) 회로(2–6큐비트)와 Clifford+T 회로(3–6큐비트)에서 평가한다. 매개변수화 회로에서는 트랜스포머로부터 구조, 고전 최적화로부터 각도를 얻는 하이브리드 접근법이 3–6큐비트 회로에서 중앙값 충실도(median fidelity) 1.000을 달성한다. Clifford+T 회로에서는 모든 게이트가 이산적이고 사후 처리(post-processing)가 불가능한데, 모델은 유효한 구문(syntax)과 정확한 T-Count 통계를 학습하지만, 목표 길이가 길어질수록 정확한 동등성(exact equivalence)이 급격히 저하된다—9개 이하 게이트 회로에서는 88%에서 26개를 넘는 회로에서는 거의 0에 이른다. 우리는 이 실패를 자기회귀형 드리프트(autoregressive drift)에 기인한다고 추적한다: 초기 토큰의 이탈이 왼쪽에서 오른쪽으로의 디코딩 과정에서 회복 불가능하게 연쇄적으로 확산된다. 드리프트를 부분적으로 완화하는 두 가지 레버가 있다: 다수 후보를 생성하고 동등성 검증(equivalence verification)을 통해 선택하는 추론(inference) 시점 전략은 정확 일치(exact-match)율을 7%에서 22.5%로 끌어올리고, 학습 데이터를 2.5배 확장하면 39.5%까지 올라간다. 그러나 목표 길이에 따른 저하는 지속된다—더 많은 데이터가 있더라도, 정확한 동등성은 짧은 회로에서 94%에서 26개를 넘는 게이트에서는 4% 미만으로 떨어진다. 설정 간 대비가 우리의 핵심 발견이다: 근사 출력(approximate outputs)이 사후 처리로 구제될 수 있을 때 트랜스포머는 성공한다; 정확한 이산적 정확성(discrete correctness)이 요구될 때는 자기회귀형 드리프트가 신뢰성을 제한하며, 추론 시점 탐색과 데이터 스케일링은 효과적인 레버인 반면 학습 측면의 미세조정(fine-tuning)과 모델 수준의 다양화(diversification)는 그렇지 않다.

arXiv:2607.10566v1cs.CV

패널티 가중 최소제곱법 및 가이디드 전변이에 기반한 양자 압축 센싱 CT 재구성 알고리즘

Quantum Compressed Sensing CT Reconstruction Algorithm Based on Penalized Weighted Least Squares and Guided Total Variation

목적. 기존의 이차 비제약 이진 최적화(QUBO) 기반 희소뷰 컴퓨터 단층촬영(CT) 재구성은 광자 계수 통계와 해부학적 이질성을 고려하지 않는다. 본 연구는 QUBO 프레임워크 내에서 두 가지 한계를 모두 해결한다. 접근법. 본 연구는 패널티 가중 최소제곱법(PWLS)과 가이디드 전변이(GTV)를 결합한 양자 압축 센싱 CT 방법을 제안한다. PWLS는 광자 계수 신뢰도에 따라 투영 잔차에 가중치를 부여하며, GTV는 동시 대수 재구성 기법(SART)으로 재구성된 사전 이미지의 그래디언트를 활용하여 균일한 영역에서 엣지를 보존하고 노이즈를 억제한다. 이진 인코딩 후 두 항은 통합된 QUBO 모델을 형성한다. 실험은 포아송 노이즈가 포함된 10뷰 팬빔 기하학 조건에서 40×40 CT 이미지 4장을 사용하였다. 비교 대상에는 기존 재구성 방법, QUBO 변형 모델, 경사하강법, 시뮬레이티드 어닐링, D-Wave 하이브리드 양자-고전 솔버가 포함되었다. 주요 결과. PWLS-GTV는 모든 케이스에서 최고의 재구성 품질을 달성하였다. 대표적인 흉부 케이스에서 최고 신호 대 잡음비(PSNR) 36.64 dB를 기록하였으며, 이는 최고 기준선인 SART의 22.48 dB와 비교된다. GTV는 기존 전변이보다 일관되게 우수한 성능을 보였다. 시뮬레이티드 어닐링과 D-Wave 하이브리드 솔버는 유사한 재구성 결과를 산출한 반면, 경사하강법은 효과적이지 않았다. 하이브리드 솔버의 반복 실행에서는 안정적인 성능이 나타났다. 의의. 본 프레임워크는 이차 형식을 변경하지 않고 QUBO 기반 CT 재구성에 광자 통계적 가중치와 구조 유도 정규화를 통합함으로써, 양자 보조 희소뷰 CT 재구성을 위한 개념 증명을 제시한다.

arXiv:2607.09905v1quant-ph

고전적 기준선을 양자 모델만큼 신중하게 튜닝할 때, 양자 레저버 컴퓨팅은 여전히 우위를 점하는가?

When Classical Baselines Are Tuned as Carefully as the Quantum Model, Does Quantum Reservoir Computing Still Win?

소형 양자 컴퓨터가 변화하는 신호를 일반적인 고전적 방법보다 더 잘 예측할 수 있을까? 많은 연구들이 그렇다고 말하지만, 이러한 연구들에서 비교 대상인 고전적 방법은 기본적이고 튜닝되지 않은 상태로 방치되는 반면 양자 모델은 신중하게 최적화된다. 우리는 고전적 경쟁자에게 정확히 동일한 주의를 기울일 때—동일한 크기와 동일한 양의 튜닝 노력을 적용할 때—어떤 일이 일어나는지 탐구한다. 우리는 예측 태스크에서 소형 양자 시스템(최대 11큐비트)의 정밀 시뮬레이션을 활용하여, 양자 레저버가 도움이 된다고 일반적으로 여겨지는 두 가지 이유를 연구한다. 두 경우 모두 비교가 공정해지면 양자 우위는 사라진다. 첫 번째 경우, 추가적인 양자 측정은 동일한 크기의 단순한 고전적 수식이 이미 제공하는 것 이상을 더하지 못한다. 두 번째 경우, 피드백 루프가 양자 모델에 실질적인 도움을 주어 쓸모없던 설정을 작동하는 예측기로 변환시키지만, 잘 튜닝된 고전적 네트워크는 여전히 약간 더 정확하게 예측하며 그 차이는 통계적으로 유의미하다. 우리의 주장은 양자 레저버가 결코 우위를 점할 수 없다는 것이 아니라, 흔히 언급되는 두 가지 장점이 이 규모에서 공정한 고전적 경쟁자 앞에서는 유지되지 않는다는 것이다. 우리는 이러한 대응 비교를 정직한 벤치마킹을 위한 간단하고 재사용 가능한 체크리스트로 제공한다. 모든 결과는 고정된 랜덤 시드로부터 완전히 재현 가능하다.

arXiv:2607.09422v1cs.LG

확장 가능한 양자 소자 튜닝을 위한 행동 분해 기반 다중 에이전트 강화학습

Action-Factored Multi-Agent Reinforcement Learning for Scalable Quantum Device Tuning

협력적 다중 에이전트 강화학습(multi-agent reinforcement learning)은 대규모 매개변수 공간과 활용 가능한 지역 구조를 가진 문제, 예컨대 정전기적으로 정의된 양자점 배열(quantum-dot array)의 튜닝에 적합하다. 그러나 매개변수 간 크로스토크(cross-talk)가 강한 경우, 개별 에이전트 관점에서 비정상(non-stationary) 환경이 형성되어 학습이 불안정해질 수 있으며, 이는 이러한 시스템의 수동 튜닝 시 발생하는 문제와 동일한 현상이다. 본 연구는 에이전트 간 간섭을 최소화하고 에이전트를 분리하기 위해, 온라인으로 학습되는 행동 공간의 분해 표현(factored representation)을 활용할 것을 제안한다. 우리의 프레임워크인 QADAPT는 이 분해 방식을 활용하여 지역 측정값과 보상에 기반한 공유 정책(shared policy)을 효율적으로 학습한다. 이 모듈식 전략을 통해 미지의 양자 소자 크기에 대한 제로샷(zero-shot) 일반화를 달성하고, 목표 레짐(target regime)에 도달하기까지의 수렴 스텝 수를 대략 일정하게 유지한다. 본 연구는 대규모 양자 프로세서의 신속한 교정(calibration)을 위한 확장 가능한 경로를 제시한다.