조합 최적화 문제는 많은 과학 및 공학 응용의 핵심이지만, 기하급수적으로 큰 탐색 공간으로 인해 해결하기 여전히 어렵다. 변분 양자 알고리즘은 이러한 문제를 다루는 유망한 접근을 제공하지만, 반복적인 양자 회로 평가와 고전적 매개변수 업데이트로 인해 실용적 성능이 제한된다. 본 연구에서는 대규모 최적화 문제를 더 작은 하위 문제로 분해하는 분산 양자 근사 최적화 알고리즘(DQAOA)과, 이러한 하위 문제를 해결하기 위한 GPT 기반 양자 회로 생성을 통합하는 하이브리드 프레임워크인 DQAOA-GPT를 제안한다. 반복적 변분 최적화에 의존하는 대신, 제안된 접근법은 학습된 생성 모델을 사용하여 분해된 하위 문제에 대해 고품질 양자 회로를 직접 생성한다. 벤치마크로서, 최대 100개의 결정 변수를 갖는 dense HUBO 최적화 문제에서 DQAOA-GPT를 기존 DQAOA와 비교 평가한다. 결과는 DQAOA-GPT가 경쟁력 있는 해법 품질을 유지하면서 계산 비용을 크게 줄이며, 하위 문제 크기가 클수록 더 큰 가속이 관찰됨을 보여준다. 본 연구는 벤치마크 규모 검증에 초점을 맞추지만, 이 프레임워크는 GPU 자원 확대와 병렬 컴puting 능력을 통해 하이브리드 HPC-QC 환경에서 더 대규모 조합 최적화를 위한 유망한 기반을 제공한다.
우리는 양자 기여를 고립시키는 스퀴즈-앤-익사이테이션(SE) 채널 변조 스캐폴드를 통해 변분 양자 회로(VQC)를 확산 모델에 통합하는 방법을 연구한다. MNIST와 CIFAR-10에서 DDPM과 잠재 확산에 걸쳐 역할 매칭된 고전적 대조군과 다중 시드 유의성 검정을 사용하고, MNIST에서 스코어 기반 NCSN 연구를 수행한 결과, 양자 코어는 DDPM과 잠재 확산 전반에 걸쳐 고전적 대조군과 비교 가능한 평균 FID를 달성하며, EfficientSU2에 대한 쌍별 샘플링-시드 검정에서는 통계적으로 유의미한 차이가 감지되지 않았다. 양자 코어는 역할 매칭된 대조군보다 핵심 매개변수를 4.5~9배 적게 사용하지만, 매개변수 매칭된 고전적 대조군이 비교 가능한 평균 FID를 달성하므로, 실험들은 양자 매개변수 효율성 우위를 입증하지 못한다. 우리는 스코어 기반 NCSN에서 구조적 결함을 추가로 확인한다: 1/σ에 비례하는 비경계 스코어 목표값이 앵글 임베딩 입력을 회전 게이트의 2π 주기를 훨씬 초과하도록 만들어, 위상 앨리어싱(phase aliasing)과 양자 변조기의 붕괴를 초래한다. 바운딩 변환 θ←π tanh(·)은 입력을 비앨리어싱 영역으로 매핑하여 두 양자 코어 모두를 실질적으로 개선한다. 모든 회로가 소규모 큐비트 스케일에서 고전적으로 시뮬레이션되었기 때문에, 우리는 양자 우위를 주장하지 않는다. 대신, 이 연구는 양자 강화 생성 모델을 위한 공정 비교 프로토콜과 앵글 임베딩이 언제 그리고 왜 실패하는지에 대한 메커니즘적 설명을 제공한다.
Parameterized quantum circuits (PQCs) are increasingly used as policies and value functions in quantum reinforcement learning, yet it remains unclear when and why quantum policies generalize. We give a PAC-Bayesian account in which generalization is governed not by the raw number of circuit parameters, but by the effective dimension of the Fisher geometry induced by the circuit. This quantity is inflated by entanglement, making entangling connectivity an independent axis of complexity.In controlled experiments that fix the number of trainable rotations and vary only entanglement, we find that circuits with larger Fisher effective dimension exhibit larger train-test gaps, while parameter count is a weak predictor. The resulting bound acts primarily as a ranking certificate: it correctly orders circuits with identical parameter count, which parameter-counting bounds cannot do. We validate this mechanism across supervised classification, quantum contextual bandits, and value-function generalization, where entangled circuits consistently generalize worse than non-entangled circuits of equal parameter count, with gaps shrinking as sample size increases.Our strongest evidence comes from low-variance decision models, including single-observable classifiers, value heads, and one-step policies. In end-to-end multi-step policy learning, entanglement effects remain statistically significant but high return variance leaves the full ordering only partially resolved. Partial-correlation analysis shows that Fisher effective dimension screens off entangling pattern, and controls for training accuracy, readout, and optimizer rule out major optimization confounders. The effect also persists on an IBM Heron quantum processor under real noise. Overall, our results reframe quantum policy design around an entanglement--generalization trade-off rather than expressivity alone.
양자 이미지 처리에서 기본 단계 중 하나는 고전 이미지 데이터를 양자 상태로 인코딩하는 것이다. 이는 Flexible Representation of Quantum Images(FRQI), Quantum Probability Image Encoding(QPIE), Novel Enhanced Quantum Representation(NEQR) 같은 방법으로 달성할 수 있다. 그러나 실제 양자 하드웨어에서 이러한 인코딩은 많은 게이트, 큰 회로 깊이(circuit depth), 높은 큐비트 사용량을 갖는 회로를 빠르게 만들어 낼 수 있으며, 이는 노이즈가 있는 중간 규모 양자(Noisy Intermediate-Scale Quantum, NISQ) 장치에서는 문제가 된다. 본 연구에서는 Schmidt 분해로 표현된 저랭크(low-rank) 상태 근사가 이러한 복잡도를 줄일 수 있는지 조사한다. 이 방법은 양자 상태의 얽힘(entanglement) 구조 중 가장 중요한 부분만 유지하여 상태 준비를 더 효율적으로 만들면서도 대부분의 이미지 정보를 보존한다. 우리는 세 가지 인코딩 기법을 원래 형태와 저랭크 근사를 적용한 형태로 비교하며, 회로 깊이, CNOT 수, MSE, 재구성 이미지의 시각적 품질 등의 지표를 평가한다. 결과는 정확도와 자원 효율성 사이에 의미 있는 트레이드오프(trade-off)가 있음을 보여 주며, FRQI 모델은 회로 깊이를 97% 줄이면서 거의 완벽한 재구성(MSE 약 0.27)을 유지한다. 이는 근시기(near-term) 하드웨어에서 실용적인 양자 이미지 처리를 발전시키기 위한 저랭크 기법의 잠재력을 보여 준다.
근사 텐서 네트워크 시뮬레이터는 정확한 방법으로는 접근할 수 없는 양자 회로의 고전 시뮬레이션을 가능하게 하지만, 결합 차원 임계값(bond dimension thresholds)과 같은 최적의 근사 매개변수를 선택하는 것은 여전히 비용이 많이 드는 시행착오 과정입니다. 우리는 회로의 OpenQASM 설명과 실행 컨텍스트만 주어지면, 목표 충실도(target fidelity)를 달성하는 데 필요한 최소 근사 임계값과 양자 회로 시뮬레이션의 예상 실제 경과 시간(wall-clock runtime)을 모두 예측하는 패밀리 인식 신경망 아키텍처를 제시합니다. 우리의 핵심 통찰은 서로 다른 알고리즘 패밀리(예: QFT, Grover, VQE)의 양자 회로가 서로 다른 얽힘 구조로 인해 근본적으로 구별되는 시뮬레이션 비용 프로필을 보인다는 것입니다. 우리는 확립된 조건부 계산 기법을 활용하여 공통 백본 위에 덧셈 방식의 패밀리 특정 조정을 적용하는 패밀리 조건부 잔차 보정을 사용하여, 모델이 보편적인 회로 속성과 알고리즘적 뉘앙스를 모두 포착할 수 있게 합니다. 이 아키텍처는 사전학습된 패밀리 분류기(97.5% 정확도)와 게이트 구성 휴리스틱에서 파생된 영역 지식 기반 알고리즘 지문 특징을 통합합니다. 10개 알고리즘 패밀리에 걸쳐 7~130큐비트에 이르는 회로에서 평가한 결과, 우리 시스템은 79.5%의 정확한 임계값 정확도(한 단계 이내 91.2%)와 $R^2 = 0.82$의 런타임 상관관계를 달성했으며, 추론은 약 50ms 만에 완료되어 수분에서 수시간이 걸릴 수 있는 시행착오 시뮬레이션 실행을 대체합니다. 소거 연구(ablation studies)는 패밀리 인식 모델링이 가장 큰 성능 향상(+3.2%p)을 제공함을 확인시켜 주며, 이는 알고리즘 패밀리가 시뮬레이션 비용 예측을 위한 일급 특징(first-class feature)이라는 가설을 검증합니다.