보정 인식 양자 회로 라우팅을 위한 그래프 강화학습
Graph Reinforcement Learning for Calibration-Aware Quantum Circuit Routing
한국어 초록
양자 회로 라우팅은 잡음이 있는 중간 규모 양자(NISQ) 프로세서용 프로그램을 컴파일하는 핵심 단계이다. 표준 오버헤드 지표 상 효율적으로 보이는 경로도 잘못 보정된 커플러를 통과할 경우 정밀도(fidelity)가 저하될 수 있다. 우리는 동일 날짜의 IBM Heron r2 보정 데이터를 활용하여 하드웨어 에지 SWAP을 선택하는 보정 인식 그래프 강화학습(RL) 라우터를 연구한다. 정책은 근위 정책 최적화(PPO)로 학습하며, 9개의 Munich Quantum Toolkit (MQT) Bench 회로와 3개의 보정 스냅샷에 걸쳐 정확한 시뮬레이션 정밀도로 평가한다. 전체 평가에서 통합 평균 정확 정밀도는 $0.727$로, SABRE-best20의 $0.440$ 및 목표 인식 SABRE의 $0.481$과 비교된다. 정밀도 향상은 라우팅된 2-큐비트 게이트 수 증가를 수반하며, 5q 및 8q 회로 계열에 집중된다. 고정 트리 액션 그래프 하에서는 모든 10q 계열이 SABRE-best20에 유리하다. 종합적으로, 우리의 결과는 보정 인식 학습 기반 라우팅이 게이트 수 기반 컴파일을 넘어 정밀도를 향상시킬 수 있음을 보여준다.
원문 초록
Quantum circuit routing is a key step in compiling programs for noisy intermediate-scale quantum processors. Routes that appear efficient by standard overhead metrics can still lose fidelity when they pass through poorly calibrated couplers. We study a calibration-aware graph reinforcement-learning router that uses same-day IBM Heron r2 calibration data to choose hardware-edge SWAPs. We train the policy with proximal policy optimization and evaluate it with exact simulated fidelity across nine Munich Quantum Toolkit (MQT) Bench circuits and three calibration snapshots. Across these evaluations, pooled mean exact fidelity is $0.727$, compared with $0.440$ for SABRE-best20 and $0.481$ for target-aware SABRE. Fidelity gains come with higher routed two-qubit counts and are concentrated in the 5q and 8q circuit families; under the fixed tree action graph, all 10q families favor SABRE-best20. Overall, our results show that calibration-aware learned routing can improve fidelity beyond gate-count-driven compilation.
요약
양자 회로 라우팅 시 하드웨어 보정(calibration) 데이터를 활용하는 그래프 강화학습 기반 라우터를 제안하여, 기존 SABRE 방법보다 높은 정밀도(fidelity)를 달성했다. MQT Bench 벤치마크 평가 결과, 제안된 방법은 게이트 수 기반 컴파일보다 우수한 성능을 보였다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.12816v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
CityDeploy-Bench: 다중 송신기 네트워크 배치를 위한 물리 기반 공간 집합 계획 벤치마킹
CityDeploy-Bench: Benchmarking Physics-Grounded Spatial Set Planning for Multi-Transmitter Network Deployment
도시 규모의 무선 배치 자동화는 복잡한 도심 전파 환경과 네트워크 전역의 간섭 속에서 여전히 어려운 과제로 남아 있다. 본 논문에서는 다중 송신기 배치 문제를 통합된 광선 추적(ray-tracing) 검증기 하에서 물리 기반 공간 집합 계획(physics-grounded spatial set planning) 문제로 재구성한 벤치마크인 CityDeploy-Bench를 소개한다. 이 벤치마크는 유틸리티(utility) 표현과 계획 다이내믹스를 분리함으로써, 다양한 플래너(planner)에 대해 직접적인 스칼라 보상, 관계형 모델, 그리고 고차 상호작용 구조 간의 통제된 비교를 가능하게 한다. 실험 결과, 물리적 결합(coupling)이 커질수록 계획 행동에서 명확한 전환이 나타난다. 배치 품질은 학습된 유틸리티가 송신기 간의 집합적 상호작용을 포착하는지에 점점 더 의존하게 되며, 반면 더 강력한 탐색만으로는 누락된 관계형 구조를 보완할 수 없다. 이는 다중 송신기 배치가 독립적인 공간적 의사결정들의 집합이 아니라, 물리적으로 상호작용하는 집합에 대한 조정(coordination) 문제임을 보여준다. 우리는 의사결정 학습(decision learning)과 물리 기반 무선 네트워크 설계를 연결하는 연구를 위한 재현 가능한 테스트베드로서 CityDeploy-Data와 벤치마크 프레임워크를 공개한다.
민첩 관측 위성을 활용한 해상 이동 표적 관측 스케줄링을 위한 암묵적 Q-러닝 기반 개미 군집 최적화
Implicit Q-learning-bootstrapped ant colony optimization for maritime moving-target observation scheduling with agile satellites
민첩 지구 관측 위성을 활용한 해상 이동 표적 관측 스케줄링은 동적이고 순서 의존적인 조합 최적화(combinatorial optimization) 문제입니다. 해수면 표적은 지속적으로 이동하므로, 표적의 움직임과 위성 궤도 기하 구조에 따라 관측 가능 윈도우가 가변적으로 변합니다. 따라서 스케줄러는 시간 윈도우, 자세 기동 및 탑재 자원 제약 조건 하에서 작업 선택, 위성 할당, 관측 윈도우 선택, 관측 순서를 공동으로 결정해야 합니다. 본 논문에서는 다중 위성 해상 이동 표적 관측 스케줄링을 위해 암묵적 Q-러닝(implicit Q-learning)을 부트스트랩한 개미 군집 최적화(ant colony optimization) 방법인 IQACO를 제안합니다. IQACO는 작업 선택 정책을 직접 학습하는 대신, 오프라인 암묵적 Q-러닝 모듈을 구성적 개미 군집 최적화에 임베딩하여 페로몬 요인, 휴리스틱 요인 및 증발률을 적응적으로 조절합니다. 압축된 탐색 상태 표현은 페로몬 분포, 현재 및 역대 최고 해의 품질, 반복(iteration) 진행 상황을 포착합니다. 온라인 스케줄링 중에는 개미 군집 최적화가 실행 가능한 관측 시퀀스를 구성하는 동시에, 학습된 정책이 현재 탐색 상태에 맞춰 탐색 동작을 조정합니다. 다양한 규모와 위성 구성을 가진 14개 시나리오에서의 실험 결과, IQACO는 비교 알고리즘들보다 지속적으로 우수한 성능을 보였으며 기존 개미 군집 최적화 대비 평균 목적 함수 값을 2.86%~9.41% 향상시켰습니다. 추가 비교 및 보완 실험은 다양한 스케줄링 조건과 문제 설정 전반에서 본 방법의 효과성과 강건성을 입증합니다. 이러한 결과는 오프라인 가치 학습이 제약이 있는 해상 이동 표적 관측 스케줄링을 위한 효과적인 적응형 탐색 제어 메커니즘을 제공함을 보여줍니다.
최대 독립 집합을 위한 Dual-GNN 다중 수준 조 정
Dual-GNN Multilevel Coarsening for Maximum Independent Set
최대 독립 집합(maximum independent set, MIS) 문제는 스케줄링, 자원 할당, 네트워크 분석 등에 응용되는 기본적인 NP-hard 조합 최적화(combinatorial optimization) 문제이다. 정확 솔버(exact solver)는 고품질 해 또는 최적성 증명(optimality certificate)을 제공할 수 있으나, 계산 비용은 그래프 크기에 따라 급격히 증가한다. 반면 수작업 휴리스틱(hand-crafted heuristic)은 보장을 희생하는 대신 확장성(scalability)을 개선한다. 학습 기반 방법은 그래프 인스턴스 간 구조적 패턴을 활용하는 대안을 제공하지만, 독립 집합을 직접 예측하면 대규모 그래프에서 전역 조율(global coordination)이 어려워질 수 있다. 우리는 대신 학습을 이용해 다중 수준 그래프 조 정(multilevel graph coarsening)을 안내하고, 최종 의사 결정에는 조합 탐색(combinatorial search)을 유지한다. Dual-GNN 다중 수준 조 정 프레임워크는 Partition GNN으로 후보 수축(contraction)을 점수화하고, Representative GNN으로 각 최종 클러스터에 대해 상위 k개의 지역 독립 집합 상태를 선택한다. 최대 2,000개 정점(vertex)을 갖는 Erdős–Rényi 그래프 실험에서 유리한 품질–실행 시간 트레이드오프(quality–runtime trade-off)를 보여준다. 인증된 최적해가 있는 500정점 인스턴스에서, 본 방법은 평균 독립 집합 크기 19.20을 달성하며 이는 최적값 19.30의 99.5%에 해당한다. 정확 해법의 평균 벽시계 시간(wall-clock time) 643.57초를 3.41초로 줄여 약 189배 속도 향상(speedup)을 얻는다. 1,000 및 2,000 정점의 더 큰 그래프에서는 평가된 모든 방법 중 최고의 평균 해 품질을 달성한다. 또한 가장자리 확률(edge probability) $p=0.35$인 Erdős–Rényi 그래프에서만 학습했음에도, 학습된 조 정 정책은 보지 못한 그래프 밀도와 구조적으로 다른 그래프 계열 모두에 효과적으로 일반화(generalize)된다.
잡 샵 스케줄링을 위한 GNN 기반 강화학습에서의 커리큘럼 러닝
Curriculum Learning with GNN-based Reinforcement Learning for Job Shop Scheduling
잡 샵 스케줄링 문제(job shop scheduling problem)는 까다로운 조합 최적화(combinatorial optimization) 문제이며, 최근 그래프 신경망(GNN)을 활용한 강화학습(RL) 접근법은 문제 인스턴스로부터 스케줄링 정책을 직접 학습하는 데 유망함을 보여주었다. 그러나 대규모 인스턴스에 대한 학습은 여전히 연산 비용이 많이 들고, 다양한 인스턴스 크기에 걸친 일반화는 여전히 어려운 과제로 남아 있다. 본 논문에서는 잡 샵 스케줄링 문제에서 그래프 신경망 기반 강화학습을 위한 커리큘럼 러닝(curriculum learning)을 연구하며, 세 가지 타깃 크기인 20 x 20, 25 x 25, 30 x 30에 대해 단일 크기 학습(single-size training)과 비교한다. 커리큘럼 환경에서는 정책을 먼저 더 작은 인스턴스에서 학습시킨 후 점진적으로 더 큰 타깃 크기에 적응시켜, 초기 단계에서 학습된 스케줄링 동작이 더 큰 인스턴스에서의 학습을 뒷받침하도록 한다. 모델은 모든 평가 크기에 걸친 일반화와 타깃 크기에 대한 특화(specialization)를 모두 고려하여, 최적성 갭(optimality gap)을 사용해 8 x 8부터 30 x 30까지의 미확인(unseen) 인스턴스에서 평가된다. 실험 결과에 따르면 커리큘럼 러닝은 실제 학습 소요 시간(wall-clock training time)을 일관되게 단축하며, 타깃 크기가 커질수록 그 이점이 더 커지는 것으로 나타났다. 가장 강력한 이점은 30 x 30에서 관찰되었는데, 커리큘럼 러닝은 모든 평가 크기에 걸친 평균 최적성 갭을 약 8.1%포인트 줄이고, 타깃 크기의 평균 최적성 갭을 약 8.6%포인트 줄였으며, 학습 시간을 약 50시간 절약했다.
피드백 기반 단어 추론을 위한 그래프 기반 추론: 조토(Jotto) 문제를 위한 확장 가능한 프레임워크
Graph-Based Inference for Feedback-Driven Word Deduction: A Scalable Framework for the Jotto Problem
조토(Jotto) 문제를 기반으로 한 피드백 기반 단어 추론(word deduction) 프레임워크가 제안되며, 문제 공간은 모든 유효한 단어가 노드에 해당하고 에지 가중치가 두 단어 간의 공통 글자 수로 정의되는 가중치 그래프로 표현된다. 마지막으로, 게임플레이는 피드백을 사용하여 그래프의 비호환 공간을 반복적으로 좁혀 나가는 반복적 제약 조건 전파 메커니즘으로 정의되며, 구조화되고 해석 가능한 방식으로 가설 공간의 축소를 용이하게 한다. 문제 공간이 통상적으로 고정된 길이의 이소그램(isogram)에 대해 정의되던 기존 접근법과 달리, 제안된 프레임워크는 가변 길이 단어(3글자에서 8글자 사이)로 일반화되고 글자가 반복되는 경우로 자연스럽게 확장되어, 현실적인 조토 문제 사례들을 최초로 단일화된 프레임워크 내에서 다룰 수 있게 한다. 또한 제안된 프레임워크의 적용 가능성과 솔버 동역학은 각각 대화형 구현과 정성적 사례 연구를 통해 논의된다. 약 3,000건의 시뮬레이션 게임플레이 시나리오에 대한 대규모 자동화 테스트를 통해 단어 길이가 길어질수록 기대 반복 횟수가 감소한다는 새로운 수렴 행동을 규명한다. 통계적 검정을 통해 로그 관계를 검증하는 강력한 상관관계를 확인하며, 이는 회귀 모델링과 적합도 검정을 통해서도 검증된다. 초기 문제 정의 외에도, 본 정식화는 해석 가능성을 갖춘 피드백 기반 추론(inference)을 위한 유효한 패러다임으로서의 그래프 가지치기(pruning)와, 이것이 기호 추론 및 대화형 지능형 시스템과 맺는 연관성을 제시한다.
지식 컴파일을 통한 시각적 그래프 추론
Visual Graph Reasoning via Knowledge Compilation
시각적 그래프 추론(visual graph reasoning)은 그래프 위상(topology)과 상태가 기호 형태가 아닌 시각적으로 전달되는 그래프 이미지로부터 그래프 이론적 질문에 직접 답하는 것을 요구합니다. 비전-언어 모델(VLM)의 최근 발전에도 불구하고, 기존의 시각적 그래프 추론 방식들은 여전히 단순한 시각적 그래프 문제에서도 실패합니다. 이는 시각적 입력으로부터 그래프 위상과 상태를 보존하는 명시적 그래프 표현의 중간 복원보다 최종 답변에 대한 지도(supervision)를 우선시한다는 기존 접근 방식들의 근본적인 한계를 드러냅니다. 이러한 한계를 해결하기 위해, 우리는 지식 컴파일(knowledge compilation)을 통한 시각적 그래프 추론을 위한 컴파일 중심 패러다임인 VGCompiler를 제안합니다. VGCompiler는 두 개의 컴파일러를 중심으로 추론을 구성합니다. 즉, 시각적 입력으로부터 구조를 보존하는 중간 그래프 표현을 복원하는 표현 컴파일러(representation compiler)와, 복원된 그래프 상태 하에서 쿼리 의도를 실행 가능한 그래프 연산으로 컴파일하는 연산 컴파일러(operation compiler)입니다. 구체적으로, 우리는 Qwen3-VL-8B를 기반으로 VGCompiler를 구축하고, 실행 가능성, 컴파일된 그래프 유효성, 표현 품질 및 연산 품질에 대한 계층화된 보상(reward)으로 유도되는 강화학습(reinforcement learning)으로 이를 학습(training)합니다. VGCompiler는 고정된(frozen) 옵저버를 사용하여 그래프 및 질문 조건을 가벼운 시그니처로 요약함으로써, 유사한 체제 전반에 걸쳐 아카이브 검색과 코드 재사용을 가능하게 합니다. 세 가지 벤치마크(benchmark)인 GVLQA, VisionGraph, VGCURE에 대한 실험 결과, 8B 백본을 기반으로 구축된 Qwen-VGCompiler는 높은 효율성을 유지하면서 가장 강력한 폐쇄형 VLM 기준선(baseline)을 28.9%, 가장 강력한 코드 기반 기준선을 23.7% 앞서는 것으로 나타났습니다. 나아가 지하철 경로 안내, 물류 배송, 네트워크 장애 평가 등 세 가지 실제 도메인에서 VGCompiler를 평가(evaluation)하였으며, 이질적인 시각적 그래프와 도메인에 기반한 작업 전반에 걸쳐 잘 일반화됨을 확인했습니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.