PyTorchKR Papers

최신 논문

총 5편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2505.10080v3quant-ph

양자 시스템을 활용한 시계열 정보 처리에서 스크램블링과 노이즈의 역할

Role of scrambling and noise in temporal information processing with quantum systems

스크램블링(scrambling) 양자 시스템은 시계열 정보 처리를 위한 효과적인 기저 물질로서 주목받아 왔습니다. 본 연구에서는 양자 시스템을 활용한 광범위한 물리적 컴퓨팅 모델을 포괄하는 양자 리저버 처리 프레임워크를 고려합니다. 우리는 무잡음(noiseless) 및 잡음(noisy) 환경 모두에서 고차 유니터리 디자인(high-order unitary designs)으로 모델링된 스크램블링 리저버를 바탕으로 모델의 확장성(scalability)과 메모리 유지(memory retention) 특성을 검토합니다. 무잡음 체제에서는 리저버 크기가 증가함에 따라 측정 판독값이 지수함수적으로 집중(concentrated)되지만, 놀랍게도 리저버 반복 횟수에 따라서는 악화되지 않음을 보입니다. 따라서 양자 데이터와 함께 작은 스크램블링 리저버를 반복해서 재사용하는 것은 실현 가능할 수 있지만, 지수적인 샷 오버헤드(shot overhead)를 감당할 수 없다면 문제 크기를 확장할 경우 일반화 성능이 저하됩니다. 이와 대조적으로 초기 입력 및 초기 상태에 대한 메모리는 리저버 크기와 리저버 반복 횟수 모두에 대해 지수함수적으로 감쇠합니다. 잡음 체제에서는 국소 잡음 채널(local noisy channels)에 대해 메모리가 시간에 따라 지수함수적으로 감쇠함을 증명합니다. 이러한 결과를 도출하기 위해 시계열 양자 모델에서 집중 현상의 경계를 설정하기 위한 새로운 증명 기법을 도입해야 했습니다. 이러한 극단적인 스크램블링 체제를 넘어, 리저버가 양자 혼돈(quantum-chaotic) 상에서 작동할 때마다 이징 모델(Ising model)과 같은 물리적 리저버에서도 지수적 집중 현상이 여전히 존재할 수 있음을 수치적으로 입증합니다. 반면, 다체 국소화(many-body localized) 상이나 혼돈의 가장자리(edge of chaos)에 있는 물리적 리저버는 이러한 현상을 겪지 않는 것으로 나타납니다.

arXiv:2607.19506v1quant-ph

양자 리저버 아키텍처 설계를 위한 하이브리드 LLM 기반 검색

Hybrid LLM-Guided Search for Quantum Reservoir Architecture Design

양자 리저버 컴퓨팅(QRC)은 고정된 양자 역학을 고차원 시간적 특징 맵으로 사용하고, 경량의 고전적 readout만 학습한다. QRC는 근시일 양자 머신러닝에 매력적이지만, 입력 인코딩, 리저버 깊이, 얽힘 토폴로지, 측정 특징, 상태 재설정 정책, 특징 구성, readout 정규화 등 아키텍처 선택에 성능이 크게 의존한다. 우리는 QRC 설계를 제약 조건이 있는 블랙박스 아키텍처 검색으로 공식화하고, 대규모 언어 모델(LLM)이 이 검색 문제에 대한 제안 컨트롤러로 작동할 수 있는지 평가하는 시뮬레이터 기반 벤치마크인 \method를 제안한다. 이 벤치마크는 동일한 평가 예산 하에서 다섯 가지 정책을 비교한다: 무작위 검색, 진화적 검색, 베이지안/TPE 최적화, 피드백 기반 LLM 에이전트, 그리고 LLM 제안과 메모리, 돌연변이, 교차, 중복 회피, 탐험을 결합한 \hybrid. NARMA10, Mackey-Glass 예측, temporal parity에서 \hybrid{}는 가장 일관된 정책이다: NARMA10과 temporal parity에서 1위, Mackey-Glass에서는 진화적 검색에 근소하게 뒤진 2위를 기록한다. 25회 평가 예산과 세 개의 시드 하에서 \hybrid{}는 Mackey-Glass 오류의 23.6\% 상대 감소를 포함하여 모든 과제에서 무작위 검색 대비 개선된다. 결과는 LLM이 보편적인 QRC 최적화기라는 것을 보여주지 않으며, 오히려 생성 모델이 검증되고 재현 가능한 하이브리드 검색 루프 내부에 내장될 때 유용한 고수준 컨트롤러가 될 수 있음을 보여준다.

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:2607.07978v1quant-ph

혼돈 예측을 위한 양자 저장소 아키텍처와 고차원성의 기여 여부 검증

A Quantum Reservoir Architecture for Chaotic Forecasting and a Test of Whether Its High Dimension Helps

양자 저장소 컴퓨팅(quantum reservoir computing)에서 고차원 특징 공간이 실질적인 성능 향상에 기여하는지를 검증하기 위해, 예측 문제 크기와 양자 저장소 크기를 동시에 증가시키는 매칭-복잡도 스케일링 프로토콜을 제안하고 회로 특징의 Gram 행렬 조건수가 큐비트 수에 독립적임을 이론적으로 증명한다. Lorenz-96 및 천수(shallow-water) 유체 모델 실험에서 양자 저장소는 두 크기가 함께 증가해도 오차를 안정적으로 유지한 반면, 동일 규모의 고전 Echo State Network는 조건수 증가로 인해 불안정한 성능을 보였다.

arXiv:2606.12806v1quant-ph

자원 제약 에너지 시스템에서의 단기 전력 부하 예측을 위한 양자 저장소 컴퓨팅

Quantum Reservoir Computing for Short-Term Power Load Forecasting in Resource-Constrained Energy Systems

자원이 제한된 환경에서의 단기 전력 부하 예측을 위해 고정된 양자 저장소와 Elastic Net 출력층을 결합한 하드웨어 효율적인 Quantum Reservoir Computing(QRC) 프레임워크를 제안하고 사후학습 고정 소수점 양자화를 적용했다. Tetouan 및 Spain 데이터셋에 대한 평가 결과, 6비트 양자화가 성능 저하 없이 메모리 사용량을 81.2% 줄이며 하드웨어 노이즈에도 강건한 것으로 나타났다.