최신 워크플로

이 과정에서는 양자 노이즈와 오류를 다루는 매우 다양한 방법을 살펴보았습니다. 이러한 방법이 어떻게 작동하는지 직접 확인할 수 있도록 일부 블랙박스 솔루션은 의도적으로 피했습니다. 이제 이 방법들을 가장 현대적인 형태로 사용할 준비가 되었습니다. 구체적으로, 복잡성의 일부를 숨겨 주는 고도로 최적화된 오류 처리 도구를 살펴봅니다. 또한 Samplomatic과, 특정 완화 과정을 매우 세밀하게 제어할 수 있게 해 주는 shaded lightcones(SLC) 같은 addon도 살펴봅니다.

이 영상에서 Chris Porter 박사가 이러한 최신 도구의 개요를 설명합니다. 예제 워크플로는 추후 이 레슨에 추가할 계획입니다. 다만 이 레슨에는 이 도구들을 사용하고 배지 시험에 통과하는 데 필요한 모든 정보가 이미 담겨 있습니다.

개요

Estimator와 Sampler 같은 초기 IBM Quantum primitive는 소수의 사전 설정 수준을 통해 오류 완화를 제공했습니다. 이후 릴리스에서는 영잡음 외삽(zero-noise extrapolation) 전략 선택, 파울리 트월링(Pauli twirling) 구성, 무작위화 매개변수 등 개별 기법을 더 직접 제어할 수 있게 되었습니다. 하지만 이러한 설정은 대체로 전역적이어서 회로 전체에 균일하게 적용되었습니다.

양자 워크로드가 더 정교해짐에 따라 개발자는 회로의 특정 영역에 맞춰 실행 및 완화 전략을 조정할 수 있는 기능이 점점 더 필요해집니다. 다음 다이어그램은 이 레슨에서 다루는 주요 도구 몇 가지를 정리하고, 일반적인 워크플로에서 각 도구가 어디에 들어가는지 보여 줍니다.

지시 실행 모델은 실행에 대한 모듈식 제어의 필요를 해결하며, 이러한 도구 중 다수를 통합합니다.

지시 실행 모델

지시 실행 모델은 암묵적으로 실행 결정을 내리는 대신 사용자가 제공한 지시를 따릅니다. 이 접근 방식은 투명성을 높이고 복잡한 워크플로를 더 쉽게 검사하고 디버깅할 수 있게 해 줍니다. 이 모델의 주요 특징은 다음과 같습니다.

• 레이블이 지정된 회로 영역을 통한 레이어별 구성

• 효율적인 노이즈 학습을 위한 고유 레이어 및 반복 레이어 식별

• 배치 실행 워크플로

• 구조화된 후처리

• shaded lightcones 같은 addon과의 긴밀한 통합

이 모델은 두 가지 핵심 구성 요소를 중심으로 만들어졌습니다.

• Samplomatic: 실행 레시피를 정의합니다

• Executor: 해당 레시피를 실행하고 샘플을 반환합니다

Executor를 사용하는 대부분의 워크플로는 Sampler로도 구현할 수 있습니다. 둘 다 궁극적으로 샘플을 생성하기 때문입니다. Executor의 핵심 장점은 효율성입니다. 트월링 구성 생성과 같은 작업은 클라이언트보다 서버 측 준실시간(near-time) 환경에서 훨씬 빠른 경우가 많습니다. Estimator와 Sampler도 계속 지원되며, 많은 워크로드에서 여전히 가장 편리한 선택일 수 있습니다.

하지만 실행에 앞서 회로를 구성하고 준비해야 합니다. Qiskit은 회로 생성, 시뮬레이션, 최적화를 돕는 여러 addon을 제공합니다. 다음 도구에 대한 자세한 내용은 링크를 따라가 확인하세요.

양자 회로 만들기

일부 응용이나 새로운 접근 방식에서는 사용자가 문제를 양자 회로에 어떻게 매핑할지 직접 정해야 합니다. 하지만 많은 분야에서 Qiskit addon이 이 과정의 중요한 부분을 자동화할 수 있습니다.

최적화 매퍼

최적화 매퍼는 고전 최적화 문제를 양자 알고리즘에 적합한 형태로 표현하도록 도와줍니다. 주요 기능은 다음과 같습니다.

• 목적 함수와 제약 조건 구성

• 문제를 QUBO 형식으로 변환

• 해밀토니안 또는 연산자 표현 생성

페르미온 매퍼

페르미온 매퍼는 페르미온 연산자를 양자 하드웨어에 적합한 큐비트 연산자로 변환합니다. 구분할 수 없는 페르미온에 대한 연산자를 구분 가능한 큐비트에 대한 파울리 연산자로 변환하면서 페르미온 통계를 보존하는 Jordan-Wigner 같은 매핑을 지원합니다. 이 addon은 양자 화학 및 재료 과학 응용에 유용합니다.

앞의 두 addon은 문제 구조를 양자 회로로 초기 매핑하는 데 초점을 맞춥니다. 하지만 프로세스의 시간 발전을 양자 회로에 효율적으로 매핑하고, 깊이를 줄여 회로를 최적화하는 것도 똑같이 중요합니다. 다음 몇 가지 addon이 이러한 작업을 다룹니다.

다중 곱 공식(MPF)

다중 곱 공식은 여러 근사를 결합해 양자 시간 발전 시뮬레이션의 정확도를 높입니다. 구체적으로, Trotter 단계 수가 서로 다른 회로를 만들어 회로 결과의 가중 조합을 사용할 수 있게 합니다. 주어진 목표 정확도에 대해 MPF는 표준 Trotter 방법보다 더 얕은 회로를 사용할 수 있는 경우가 많습니다. 대신 여러 회로를 실행하고 그 결과를 고전적으로 결합해야 하는 비용이 듭니다.

AQC-Tensor

AQC-Tensor는 텐서 네트워크 방법을 사용해 근사 양자 컴파일을 수행합니다. 대표적인 사용 사례는 깊은 회로의 일부를 더 얕은 변분 근사로 대체하는 것입니다. 이렇게 만들어진 회로는 훨씬 적은 깊이로 비슷한 정확도를 달성할 수 있습니다.

트랜스필레이션

이 과정에서 이미 트랜스필레이션을 여러 번 사용했습니다. 추상 회로를 구성한 후에는 하드웨어에서 실행할 수 있도록 준비해야 한다는 것도 알고 있습니다. 하지만 트랜스필레이션의 여러 단계를 아직 자세히 살펴보지는 않았습니다.

주요 트랜스필레이션 단계는 다음과 같습니다.

• 레이아웃: 논리 큐비트를 물리 큐비트에 매핑합니다

• 변환: 백엔드의 네이티브 게이트 집합을 사용해 연산을 다시 작성합니다

• 라우팅: 하드웨어 연결성에 필요한 SWAP 연산을 삽입하고 최적화합니다

이러한 과정은 서로 연관되어 있습니다. 예를 들어 레이아웃은 라우팅을 고려한 후에도 깊이를 최소화해야 합니다. 또한 레이아웃은 오류가 가장 많이 발생하는 큐비트와 연결을 피해야 합니다. 이러한 단계는 대개 자동화되어 있지만, 고급 사용자는 필요할 때 사용자 지정 레이아웃이나 다른 제약 조건을 지정할 수 있습니다.

트랜스필레이션에 대해 더 알아보려면 트랜스필레이션 소개 가이드를 참조하세요.

이해도 확인

다음 양자 회로를 보고, 일부가 표시된 heavy-hex 레이아웃의 양자 컴퓨터에서 이 회로를 실행해야 한다고 가정해 보세요. (a) 필요한 SWAP 게이트 수를 최소화하도록, 추상 회로의 큐비트 번호를 실제 양자 컴퓨터의 큐비트 번호에 매핑하는 방법을 제안해 보세요. (b) 선택한 매핑은 유일한가요, 아니면 똑같이 좋은 다른 선택도 있을 수 있나요? (c) 선택한 매핑이 SWAP 게이트를 줄이는 유일한 최적 레이아웃이더라도, 트랜스파일러가 다른 매핑을 선택할 수 있는 이유는 무엇일까요?

정답

(a) 올바른 답은 여러 가지일 수 있지만, 추상 큐비트 0만 이웃 세 개와 얽힘(두 큐비트) 게이트를 가진다는 점에 주목하세요. 나머지는 모두 이웃 두 개와만 두 큐비트 연산에 참여합니다. 이 회로는 SWAP 게이트 없이 heavy-hex 토폴로지에 매핑할 수 있습니다. 이를 달성하는 레이아웃이면 모두 허용됩니다. 추상 큐비트 0을 $\text{aq[0]}$, 트랜스파일된 큐비트 0을 $\text{tq[0]}$로 나타낼 때, 가능한 레이아웃 중 하나는 다음과 같습니다.

$$\begin{aligned} \text{aq[0]} & \rightarrow \text{tq[15],}\\ \text{aq[1]} & \rightarrow \text{tq[16],}\\ \text{aq[2]} & \rightarrow \text{tq[19],}\\ \text{aq[3]} & \rightarrow \text{tq[14],}\\ \text{aq[4]} & \rightarrow \text{tq[17],}\\ \text{aq[5]} & \rightarrow \text{tq[25]} \end{aligned}$$

(b) 이 레이아웃은 유일하지 않습니다. SWAP 게이트를 전혀 사용하지 않는 다른 레이아웃도 많습니다. 다른 예는 다음과 같습니다.

$$\begin{aligned} \text{aq[0]} & \rightarrow \text{tq[3],}\\ \text{aq[1]} & \rightarrow \text{tq[4],}\\ \text{aq[2]} & \rightarrow \text{tq[8],}\\ \text{aq[3]} & \rightarrow \text{tq[2],}\\ \text{aq[4]} & \rightarrow \text{tq[5],}\\ \text{aq[5]} & \rightarrow \text{tq[13]} \end{aligned}$$

(c) 특정 큐비트가 칩의 다른 대부분의 큐비트보다 오류가 더 많이 발생하는 경우가 있습니다. 또한 큐비트 간 일부 연결은 다른 연결보다 오류가 더 많이 발생합니다. 트랜스파일러는 불필요한 SWAP 게이트를 피하면서, 선택한 양자 컴퓨터에서 사용할 수 있는 충실도가 가장 높은 큐비트와 연결도 함께 사용하는 레이아웃을 찾으려고 합니다.

노이즈와 오류의 영향 줄이기

여러 Qiskit addon은 노이즈와 하드웨어 불완전성의 영향을 줄이는 데 특별히 초점을 맞춥니다.

연산자 역전파와 노이즈 인식 회로 변환

오류 정정에서 코히어런트 파울리 검사와 관련해 연산자 전파를 이미 논의했습니다. 하지만 연산자 전파는 더 일반적으로도 유용합니다. 양자 회로를 통한 연산자 전파를 활용하는 주요 방법은 두 가지입니다. (1) 양자 회로의 마지막 몇 개 레이어를 측정할 관측값에 흡수하는 방법, (2) 회로에서 발생할 가능성이 높은 오류의 영향을 고려하고 다른 관측값을 측정해 이를 보상하는 방법입니다. 다음 두 도구가 이러한 접근 방식을 사용합니다.

연산자 역전파

연산자 역전파는 회로 끝부분의 게이트를 측정 관측값에 흡수해 회로 깊이를 줄입니다. 예를 들어 다음 회로를 생각해 보세요.

이 회로에는 자명하지 않아 보이는 회전 레이어와 얽힘 레이어가 있고, 그 뒤에 CNOT 게이트 사다리와 큐비트 5에 대한 Z 측정이 이어집니다. 이 회로의 두 큐비트 깊이는 7입니다. 이 깊이는 트랜스필레이션 이전의 값입니다. 실제로는 보통 트랜스필레이션 후에 역전파를 적용하지만, 이 예제는 교육 목적일 뿐입니다. 관측값을 게이트 너머로 전파하는 규칙이 있다는 점을 떠올려 보세요. 특히 CNOT 게이트의 타깃이 $q_t$이고 제어가 $q_c$일 때, $q_t$에 대한 $Z_t$ 관측값은 CNOT 게이트를 지나 거꾸로 전파하면 $Z_c Z_t$가 됩니다. $Z_t \rightarrow Z_c Z_t$. 이 예제 회로에서 관측값 $Z_5$를 CNOT 게이트 사다리 전체를 거쳐 거꾸로 전파하면 관측값 $Z_5 Z_4 Z_3 Z_2 Z_1 Z_0$가 되며, 표준 Qiskit 표기법으로는 간단히 $ZZZZZZ$입니다. $Z_5$만 측정하는 대신 이 관측값을 측정하면 CNOT 게이트 사다리 전체를 제거할 수 있고, 두 큐비트 깊이가 7에서 2로 줄어듭니다. 이 관측값은 각 큐비트에서 한 가지 기저로만 측정하면 되므로 필요한 샷 수가 늘어나지 않습니다. 항상 이런 것은 아닙니다. 일반적으로 더 복잡한 관측값은 더 많은 샷이 필요하고, 때로는 서로 다른 기저에서 더 많은 측정이 필요합니다.

연산자 역전파의 전체 전략에는 다음 단계가 포함됩니다.

• 실행할 회로를 짧게 만듭니다

• 원래 관측값을 확장된 관측값으로 대체합니다

• 회로 깊이를 줄이는 대신 샘플링 요구량이 늘어납니다

앞의 회로는 역전파가 유리한 명백한 예입니다. 하지만 일반적으로 역전파의 이점을 가장 많이 얻는 회로를 식별하기는 쉽지 않습니다. 역전파를 사용할 시점을 결정하려면 회로에서 얼마나 많은 깊이를 제거할 수 있는지 확인하고, 그 감소를 늘어난 샘플링 요구량과 견주어 보세요.

전파 노이즈 흡수(PNA)

전파 노이즈 흡수는 구조적으로 연산자 역전파와 비슷합니다. 하지만 회로의 이상적인 게이트를 거쳐 연산자를 거꾸로 전파하는 대신, PNA는 학습된 노이즈 모델을 통합하고 노이즈의 영향을 관측값에 직접 전파합니다. PNA는 다음을 수행합니다.

• 하드웨어에서 노이즈 동작을 학습합니다

• 회로를 통해 노이즈 모델을 전파합니다

• 게이트 노이즈를 보상하는 수정된 관측값을 생성합니다

수정된 관측값을 노이즈가 있는 하드웨어에서 측정하면, 그 결과로 얻은 기댓값이 이상적인 무잡음 결과에 더 가까워집니다. PNA에는 두 가지 오버헤드가 있습니다. 첫째, 노이즈 모델을 학습해야 하므로 추가 회로를 실행해야 합니다. 둘째, PNA는 더 복잡한 관측값을 만들 수 있어 샘플링 요구량이 늘어날 수 있습니다.

회로 절단

회로 절단은 큰 회로를 독립적으로 실행할 수 있는 더 작은 부분 회로로 분할합니다. 그런 다음 결과를 다시 결합하기에 충분한 측정을 수행합니다. 회로 절단은 다음을 수행합니다.

• 하드웨어 요구 사항을 줄입니다

• 사용 가능한 큐비트 수보다 큰 계산(더 넓은 회로)을 가능하게 합니다

• 깊이와 연결성의 한계(더 깊은 회로)를 해결하는 데 도움이 됩니다

• 고전적 후처리를 통해 원래 결과를 재구성합니다

Samplomatic

앞 섹션의 많은 기법은 이 과정 전반에서 다룬 다른 억제 및 완화 방법을 보완합니다. 여기에는 다음이 포함됩니다.

• 동적 디커플링

• 파울리 트월링

• M3

• TREX

• 영잡음 외삽(ZNE)

• 확률적 오류 상쇄(PEC)

많은 워크플로에서 같은 회로의 서로 다른 영역에 서로 다른 기법을 적용할 수 있습니다. 지금까지 살펴본 것처럼 이러한 기법 중 다수는 양자 오버헤드도 수반합니다. 따라서 노이즈 학습, 샘플링, 트월링 시퀀스 적용을 세밀하게 제어해야 할 때가 있습니다. 이것이 Samplomatic이 만들어진 동기 중 일부입니다.

Samplomatic은 맞춤형 샘플링, 무작위화, 오류 완화 워크플로를 가능하게 하는 오픈 소스 라이브러리입니다.

가장 먼저 하는 일은 회로를 분석해 레이블이 지정된 영역, 즉 박스(box)로 나누는 것입니다. 이 박스는 두 가지 목적을 가집니다.

• 회로를 시각적으로 분할합니다.

• 독립적으로 구성할 수 있는 인덱스된 영역을 만듭니다.

사용자는 실행 중 각 박스를 어떻게 처리할지 설명하는 주석을 붙일 수 있습니다. 예를 들면 다음과 같습니다.

• 모든 박스에 파울리 트월링 적용

• 선택한 박스에만 트월링 적용

• 영역마다 다른 트월링 그룹 사용

• 특정 레이어에 학습된 노이즈 주입

• 세밀한 수준에서 완화 전략 맞춤 설정

Samplomatic은 반복되는 박스 영역도 식별합니다. 동일한 레이어는 일반적으로 비슷한 노이즈 특성을 보이므로, 고유한 레이어마다 노이즈 학습을 한 번만 수행하면 됩니다.

Samplomatic 출력

Samplomatic은 두 가지 주요 객체를 생성합니다.

• 템플릿 회로

• Samplex

템플릿 회로는 박스로 구성되고 트랜스파일된, 실행 준비가 된 매개변수화 회로입니다. samplex에는 회로 변형을 생성하고 처리하는 데 필요한 모든 정보가 들어 있습니다. samplex의 내용은 다음과 같습니다.

• 매개변수화 회로의 매개변수 값

• 무작위화 선택

• 샘플링 분포

• 후처리 정보

• 추가 실행 메타데이터

형식적으로 samplex는 템플릿 회로의 매개변수에 대한 확률 분포이며, 실행과 후처리에 필요한 보조 정보를 함께 담고 있습니다. 실용적으로 중요한 장점은 템플릿 회로와 samplex가 모두 클라이언트 측에서 로컬로 생성된다는 점입니다. 따라서 하드웨어 리소스를 사용하기 전에 이를 검사하고, 검증하고, 디버깅할 수 있습니다.

Samplomatic에는 적응형 샷 할당과 무작위화에 대한 세밀한 제어를 비롯한 많은 이점이 있습니다. 또한 구조화된 후처리 워크플로 같은 운영상의 이점도 있습니다. 가장 중요한 이점 중 하나는 동일한 레이어 간에 학습된 노이즈 정보를 재사용하는 것으로, 노이즈 학습 중 상당한 양자 컴퓨팅 시간을 절약할 수 있습니다.

Shaded lightcones

비용이 많이 드는 완화 기법을 어디에 적용할지 결정하기 전에, 측정하는 관측값에 가장 중요한 회로 영역을 식별하는 것이 도움이 됩니다. 이러한 필요가 shaded lightcones addon의 동기가 됩니다. 광원뿔(lightcone)이라는 개념은 상대성 이론에서 유래했으며, 상대성 이론에서는 인과 관계가 정보가 전달될 수 있는 유한한 속도에 의해 제한됩니다.

양자 회로에도 비슷한 개념이 적용됩니다.

큰 회로에서 가중치가 낮은 관측값만 관심 대상이라고 해 보겠습니다. 가중치가 낮은 관측값은 소수의 큐비트에만 자명하지 않게 작용합니다. 가중치가 낮은 관측값은 여러 이유로 관심의 대상이 됩니다. 예를 들어 다음을 나타낼 수 있습니다.

• 더 큰 해밀토니안 내의 개별 항

• 국소적인 상호작용 영역

• 소수의 보조 큐비트에 모인 정보

• 소수의 큐비트만 관련된 기타 관측량

회로의 모든 오류가 측정 결과에 영향을 줄 수 있는 것은 아닙니다. 이는 특히 파울리 오류, 또는 파울리 연산의 집합으로 모델링할 수 있는 모든 오류에 해당합니다. 예를 들어 다음 회로를 살펴보세요.

마지막 층에서 큐비트 0에 발생한 파울리 오류는 큐비트 6의 측정에 영향을 줄 수 없습니다. 큐비트 0에서 큐비트 6으로 오류를 전파할 수 있는 연결 게이트가 없기 때문입니다. 이 논거는 일부 비유니터리 오류에는 적용되지 않는다는 점에 유의하세요. 예를 들어 큐비트 0에서 바닥 상태로 가는 T1과 유사한 전이는 큐비트 0을 계산 기저 상태로 붕괴시킵니다. 큐비트 0과 6이 이전에 얽혀 있었다면(이 회로에서처럼), 큐비트 0의 비유니터리 오류가 큐비트 6에 영향을 줄 수 있습니다. 이후 논의는 파울리 연산 또는 파울리 연산의 확률적 혼합으로 표현할 수 있는 오류에 초점을 맞춥니다.

마지막 층에서는 큐비트 5 또는 큐비트 6의 파울리 오류만 큐비트 6의 측정에 직접 영향을 줄 수 있습니다.

그 앞의 얽힘 층에서 큐비트 5와 6은 각각 큐비트 4와 7과 얽혀 있습니다. 따라서 해당 얽힘 층 또는 그 직전에 이 네 큐비트 중 어느 것에서든 파울리 오류가 발생하면 이후의 측정에 영향을 줄 수 있습니다. 회로를 거슬러 계속 추적하면 측정과 인과적으로 연결된 게이트와 큐비트의 부분 집합을 찾을 수 있습니다. 이 인과 집합은 공간(큐비트)과 시간(층)에서 원뿔 모양의 영역을 이루며, 여기에서 라이트콘(lightcone)이라는 용어가 나왔습니다. 영역의 정확한 모양은 회로마다 다릅니다. 이 분석은 하드웨어 연결성과 게이트 배치에 좌우되므로, 트랜스파일, 라우팅, 레이아웃 최적화 이후에 가장 유용합니다.

인과적 연결성을 넘어서

음영 라이트콘은 어떤 유형의 오류가 중요한지도 함께 고려하여 이 개념을 확장합니다.

예를 들어 다음을 살펴보세요.

• Z 기저 측정 직전의 Z 오류는 측정 결과에 영향을 주지 않습니다.

• Z 기저 측정 직전의 X 오류는 결과를 크게 바꿀 수 있습니다.

따라서 일부 오류 유형은 다른 유형보다 더 많은 완화 노력을 들일 가치가 있습니다. 이러한 구분은 PEC와 같은 기법의 오버헤드를 상당히 줄일 수 있습니다. 실제로 애드온은 다음 각 오류 유형에 대해 별도의 민감도 분석을 생성합니다.

• X errors

• Z errors

• Y(또는 위상을 제외하고 XZ) 오류

이러한 오류 민감도는 오류 유형마다 대체로 다르게 나타납니다. 인과적으로 연결된 오류가 서로 다르면 측정에 미치는 영향도 다르기 때문입니다. 또한 민감도는 회로 전체에 걸쳐 변한다는 점에 유의하세요. 측정 직전의 X 오류는 매우 치명적일 수 있지만, 여러 층 앞서 발생한 오류는 강하게 얽힌 상태를 거치며 전파된 뒤에는 영향이 더 작을 수 있습니다.

음영 라이트콘은 회로 전반의 잠재적 오류에 민감도 값을 할당하여 이러한 차이를 정량화합니다.

생성된 지도는 다음을 나타냅니다.

• 오류가 중요한 위치

• 어떤 오류 유형이 중요한지

• 최종 관측량에 얼마나 강하게 영향을 주는지

음영 라이트콘이 오류를 직접 완화하지는 않지만, 가장 큰 효과를 얻을 수 있는 곳에 완화 노력을 집중하도록 도울 수 있습니다.

노이즈 학습과 주입

회로를 구성하고 최적화하고 주석을 단 뒤에는 서로 보완적인 두 가지 작업이 남습니다. 노이즈를 학습하는 것, 그리고 노이즈 모델을 사용하는 것(예: 노이즈를 주입하거나 노이즈의 영향을 전파하기 위해)입니다.

NoiseLearnerV3

NoiseLearnerV3는 현재 노이즈 학습에 사용하는 도구입니다. 이전의 NoiseLearner 인터페이스는 전체 회로를 받아 Pauli-Lindblad 노이즈 모델을 생성했습니다. 반면 NoiseLearnerV3는 박스로 묶인 회로 명령어에 직접 작동합니다. 요약하면 NoiseLearnerV3는 다음을 수행합니다.

• 레이블이 지정된 회로 층의 모음을 받습니다

• 반복되는 층의 정보를 재사용합니다

• 측정 노이즈 학습을 지원합니다

• 학습된 모델의 후처리를 지원합니다

• 노이즈 주입 및 스케일링 워크플로를 지원합니다

이 설계는 Samplomatic의 층 중심 워크플로와 긴밀하게 맞물립니다. 특히 NoiseLearnerV3는 각 명령어 집합에 다음 방법을 사용합니다.

• 게이트 연산에 대한 Pauli-Lindblad 학습

• 측정에 대한 TREX 기반 학습

그런 다음 학습된 노이즈 모델을 이미 다룬 여러 방법에서 사용할 수 있습니다. 예를 들어 게이트 폴딩을 사용한 영 노이즈 외삽(ZNE)은 다루기 어려울 만큼 깊은 회로를 만들 수 있다는 점을 떠올려 보세요. 이 경우 노이즈를 스케일링하는 대안은 알려진 노이즈 모델에서 샘플링하는 것이었고, 이는 정수가 아닌 배율로도 노이즈 수준을 사실상 높입니다. 확률적 오류 증폭(PEA)이라 부르는 이 방법은 노이즈 모델로 오류를 완화하는 좋은 예입니다. 확률적 오류 상쇄(PEC)와 전파 노이즈 흡수(PNA)에도 좋은 노이즈 모델이 필요합니다.

요약하면 고품질 노이즈 모델이 있으면 노이즈는 단순한 오류의 원천이 아니라 프로그래밍 가능한 자원이 됩니다.

음영 라이트콘과 NoiseLearnerV3 비교

NoiseLearnerV3와 SLC는 밀접하게 관련되어 있지만 입력이 서로 다르고 답하는 질문도 다릅니다. SLC는 완화 노력을 어디에 집중할지 결정합니다. NoiseLearnerV3는 그 영역에 실제로 존재하는 노이즈를 특성화합니다. 두 과정은 오버헤드의 종류도 다릅니다. 다음 표에 이러한 차이를 정리했습니다.

	음영 라이트콘	NoiseLearnerV3
목적	완화가 중요한 위치를 식별	오류의 동작 방식을 학습
오버헤드	주로 고전 오버헤드	하드웨어 실행 필요
출력	민감도 지도 생성	노이즈 채널 설명 생성
입력	회로 구조와 연산자 전파 사용	회로 구조와 실험적 하드웨어 데이터 사용

Executor와 런타임 실행

Executor는 최종 실행 단계를 수행합니다. 다음 입력 중 어느 쪽에서도 작동할 수 있습니다.

• Samplomatic이 생성한 템플릿 회로와 samplex

• Samplomatic을 사용하지 않는 기존 양자 회로

이러한 유연성 덕분에 필요에 따라 지시 실행 워크플로의 구성 요소를 많이 또는 적게 선택해 사용할 수 있습니다.

Executor는 앞서 설명한 대로 무작위화 선택, 샷 할당, 노이즈 주입 선택 및 관련 실행 메타데이터를 관리하는 Samplomatic과 긴밀하게 작동합니다.

지시 실행 모델의 실용적인 예시는 Directed execution model 가이드와 IBM Quantum® Platform의 튜토리얼 및 Qiskit 애드온 문서를 참조하세요.

결론

현대 양자 워크플로는 단일 실행 프리미티브보다 서로 보완적인 도구 모음에 점점 더 의존합니다.

이러한 도구는 워크플로의 모든 단계를 지원합니다.

• 문제 매핑

• 회로 구성

• 트랜스파일 및 최적화

• 오류 억제

• 오류 완화

• 노이즈 학습

• 구조화된 실행

• 후처리

Samplomatic, Executor, NoiseLearnerV3, 음영 라이트콘, 전파 노이즈 흡수, 회로 절단, AQC-Tensor와 같은 도구를 함께 사용하면 이전 실행 모델보다 훨씬 더 많은 제어권을 얻을 수 있습니다.

이 분야는 계속해서 빠르게 발전하고 있습니다. 양자 프로세서가 더 커지고 더 많이 연결될수록, 이러한 기법은 유용한 양자 이점을 달성하는 데, 그리고 궁극적으로 결함 허용 양자 컴퓨팅 워크플로와 매끄럽게 통합하는 데 점점 더 중요한 역할을 할 가능성이 큽니다.