LLM 기반 양자 회로 합성을 위한 알고리즘 설계
LLM-Driven Algorithm Design for Quantum Circuit Synthesis based on Binary Decision Diagrams
arXiv양자 회로 합성 시 기존 방식은 BDD 크기 최소화에만 집중하여 실제 양자 비용(QCC)을 간과했습니다. 이에 LLM 기반의 진화 프레임워크인 QuantumEvo가 QCC를 고려한 변수 순서화를 제안합니다.
- QuantumEvo는 LLM을 활용해 QCC에 민감하게 반응하는 새로운 변수 순서화 기법을 생성하며, 발견된 HGA-QE 방식은 기존 최고 성능 대비 높은 경쟁력을 입증했습니다.
- 이는 양자 알고리즘 설계의 최적화 패러다임을 단순히 회로 크기 축소에서 실제 하드웨어 구동 비용까지 고려하는 방향으로 전환할 수 있음을 보여줍니다.
- 제안된 방법은 복잡한 최적화 문제를 해결하지만, 성능 검증이 특정 벤치마크에 기반하므로 다른 환경 적용 시 추가적인 검토가 필요합니다.
양자 회로는 양자 알고리즘 구현의 핵심 요소이며, 이 과정에서 필요한 불리언 함수는 반드시 가역적으로 구현되어야 합니다. 기존에 사용되는 BDD(Binary Decision Diagrams)는 이러한 변환을 위한 확장성 있는 접근법을 제공하지만, 결과적인 BDD와 회로 크기는 변수 순서화에 크게 의존합니다. 문제는 BDD의 크기가 합성된 회로의 실제 양자 비용(QCC)을 완벽하게 대변하지 못한다는 점입니다.
이에 연구진은 을 활용한 진화 프레임워크인 QuantumEvo를 제안했습니다. 이 프레임워크는 QCC를 고려하는 변수 순서화를 위한 휴리스틱 생성기 역할을 합니다. QuantumEvo는 단순히 순서를 예측하기보다, 여러 휴리스틱 계열에서 초기화된 후보들을 탐색하며 표준 BDD 연산을 통해 변수 순서화를 조작하고, 이를 다운스트림의 QCC를 통해 선택합니다.
이 과정에서 발견된 HGA-QE라는 휴리스틱은 유전 알고리즘 내에 단계적 수정을 가하여 QCC와 더 잘 정렬되도록 합니다. 세트 전반에 걸쳐 HGA-QE는 함수별 최고 성능 기준 대비 70.9%의 무승부 또는 승률을 달성했으며, 총 13.5%의 함수에서 가장 우수한 성능을 보였습니다.
용어 풀이
- LLM
- 방대한 글을 학습해 문장을 이해하고 만들어 내는 AI 모델. ChatGPT, Claude, Gemini가 여기에 속해요.
- 벤치마크
- 모델 성능을 같은 조건에서 비교하려고 만든 시험 문제 모음.