QSignAI: 과학을 위한 AI와 AI를 위한 과학의 교차점에서의 양자 무작위성 시드 신원 서명
QSignAI: Quantum-Randomness-Seeded Identity Signatures at the Intersection of AI for Science and Science for AI
한국어 초록
2024-2025년 노벨상과 튜링상은 AI와 양자 과학을 동시에 조명했습니다. 그러나 대중을 위해 이 두 분야를 결합하여 배포된 시스템은 아직 존재하지 않습니다. 본 논문은 실시간 이벤트 참여 시스템에서 양방향 AI-양자 관계를 실증하는 실제 운영 환경에 배포된 플랫폼인 QSignAI를 제시합니다. 우리는 세 가지 질문을 다룹니다: 2소스 추출기(two-source extractor)를 통한 양자 무작위성 생성을 허용 가능한 지연 시간 내에 AI 기반 소셜 플랫폼에 내장할 수 있는가; AI 봇이 양자 현상을 일반 대중에게 지각적으로 명확하게 전달할 수 있는가; 그리고 결합된 시스템이 실제로 작동하는가? 대화형 봇은 각 참가자의 첫 번째 메시지를 양자 파이프라인으로 통과시키는데, 해당 파이프라인은 SV1 및 DM1 시뮬레이터에서의 독립적인 단일 큐비트 하다마드 측정에 적용된 Toeplitz 2소스 추출기와 2큐비트 벨 상태(Bell state)를 포함하여 참가자별로 고유한 양자 무작위성 시드 신원 서명을 생성합니다. 첫 번째와 두 번째 질문은 시스템 아키텍처와 라이브 이벤트에서의 정성적 배포 증거를 통해 답변되며, 세 번째 질문은 성공적인 프로덕션 배포를 통해 답변됩니다. 현재 배포는 클라우드 양자 시뮬레이터를 사용하며, 물리적 QPU 무작위성은 단기적인 확장 계획입니다. 측정 가능한 벤치마크는 향후 우선 과제로 식별되었습니다.
원문 초록
The 2024-2025 Nobel and Turing awards recognised AI and quantum science simultaneously. Yet no deployed system has brought these streams together for the public. This paper presents QSignAI, a production-deployed platform demonstrating a bidirectional AI-quantum relationship in a real-time event participation system. We address three questions: can quantum-randomness generation via a two-source extractor be embedded in an AI-driven social platform with acceptable latency; can an AI bot make quantum phenomena perceptually legible to general audiences; and does the combined system work in practice? A conversational bot routes each participant's first message through a quantum pipeline comprising a Toeplitz two-source extractor over independent single-qubit Hadamard measurements on SV1 and DM1 simulators, plus a 2-qubit Bell state, producing a unique quantum-randomness-seeded identity signature per participant. The first two questions are answered through system architecture and qualitative deployment evidence from live events; the third through successful production deployment. The current deployment uses cloud quantum simulators; physical QPU randomness is the near-term extension. Measurable benchmarks are identified as priority future work.
요약
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.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2605.27729v2제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
On the effects of emulated quantum layers on CNN performance and explainability for OCT and dementia imaging
Large-Language-Model Discovery of Quantum LDPC Codes through Structured Concept Evolution
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.
밀도 행렬 임베딩 프레임워크 내 양자 선택 구성 상호작용을 위한 기계학습 기반 컴팩트 부분공간 생성
Machine-Learned Compact Subspace Generation for Quantum Selected Configuration Interaction within Density Matrix Embedding Framework
금융 스트레스의 국면별 탐지를 위한 깊이 효율적 양자 위상 데이터 분석
Depth-Efficient Quantum Topological Data Analysis for Regime-Specific Detection of Financial Stress
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.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.