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.
이론화학에서 유래한 nudged elastic band(NEB) 알고리즘을 양자 비용 지형(QCL)에 적용하여 변분 양자 알고리즘(VQA)의 지역 최솟값들을 연결하는 저비용 경로인 ravine 구조를 체계적으로 분석하였으며, 이를 앙상블 예측 프레임워크에 활용함으로써 고전 및 단순 양자 앙상블 방식 대비 예측 성능을 향상시키면서 계산 비용도 절감할 수 있음을 보였다.
양자 커널(quantum kernel)을 이용한 가우시안 프로세스(GP) 밴딧 최적화에서 고차원 양자 커널이 정보 이득을 높여 누적 후회(regret)를 증가시키는 학습 어려움을 해결하기 위해, 선형 투영 양자 커널(LPQK)과 랜덤 푸리에 피처(RFF) 기반 고전적 커널 근사 기법을 제안한다. 이를 통해 근사 오차와 정보 이득 간의 트레이드오프를 분석한 후회 경계를 도출하고, NISQ 시대의 양자 제어·변분 양자 알고리즘 등 실제 태스크에서 전체 양자 커널 대비 샘플 효율성과 계산 비용 모두 개선됨을 실험적으로 검증한다.
우리는 이상적인(잡음이 없는) 양자 시뮬레이터를 사용하여 평가된, 두 가지 상호 보완적인 접근 방식인 변분 양자 알고리즘(VQAs)과 고전적 합성곱 신경망(CNNs)을 사용하여 다중 큐트리트 양자 시스템에서의 폰 노이만 엔트로피 추정에 대한 체계적인 연구를 제시합니다. 최대 3개의 큐트리트 시스템에 대해, 우리는 11개의 하드웨어 효율적인 SU(3) 기반 안사츠(ansatz)를 구성하고 평가합니다. 매개변수 스윕(parameter sweep)은 충분한 얽힘이 존재하는 경우, 추정 정확도가 주로 학습 가능한 매개변수의 수에 의해 결정됨을 보여줍니다. 이 연구를 기반으로, 우리는 후속 실험을 위해 매개변수 수를 약 120개로 고정하며, 임계값을 초과하여 얽힘 게이트(entangling-gate) 수를 늘리는 것은 미미한 개선만을 가져옴을 관찰합니다. 더 큰 시스템(2~5개 큐트리트)의 경우, 우리는 텐서 곱 상호 비편향 기저(tensor-product mutually unbiased bases)에서의 측정 결과로 학습된 CNN을 사용합니다. 해당 모델은 정확하고 안정적인 예측을 달성하며, 시스템 크기에 따라 성능의 체계적인 개선을 보여줍니다. 이때 2큐트리트 시스템에서 오차가 가장 높고 5큐트리트 시스템에서 가장 낮습니다. 특히, 전체 상태 토모그래피(tomography)에 필요한 측정의 12.5%만 사용하는 것만으로도 4큐트리트 및 5큐트리트 시스템 모두에 대해 약 0.13-0.16 내트(nats)의 90번째 백분위수 절대 오차에 도달하기에 충분합니다. 또한 CNN 모델은 샷 노이즈(shot noise)에 대해 견고하며 분포 외(out-of-distribution) 상태로 잘 일반화됩니다. 전반적으로, 여기서 연구된 시뮬레이션 설정 내에서 우리의 결과는 실용적인 방법의 전환을 나타냅니다. 즉, VQA는 작은 시스템에 효과적인 반면, CNN 기반 추정기는 더 큰 큐트리트 시스템에서 개선된 확장성과 견고성을 제공합니다.