리서치 연구
강화학습 기반 양자 컴파일 최적화 선택기 MQSS-Selector
MQSS-Selector: RL-Guided Pass Selection for an MLIR Compilation Pipeline
arXiv양자 컴퓨팅과 고성능 컴퓨팅이 통합되는 환경에서, 복잡한 최적화 문제를 해결하기 위해 학습 기반의 통일된 선택기(Selector)가 개발되었습니다.
세 줄 요약
- 강화 학습 및 딥러닝 모델을 활용하여 충실도, 컴파일 시간, 스케줄링 지연 시간 등 여러 목표를 동시에 동적으로 최적화합니다.
- 장치 선택, 컴파일 패스 최적화, 작업 스케줄링 등 기존에 분리되어 있던 양자 소프트웨어 스택의 단계를 하나의 통합 프레임워크로 묶어 효율성을 극대화합니다.
- 노이즈가 심하고 자원이 제한적인 NISQ 시대 환경에서 회로 특성과 장치 조건 변화에 맞춰 최적 방식을 스스로 조정하는 것이 핵심입니다.
고성능 컴퓨팅(HPC)과 양자 컴퓨팅(QC) 시스템이 통합되는 HPCQC 인프라가 증가하고 있습니다. 현재 QC 장치는 노이즈가 심한 중규모 양자(NISQ) 시대에 있어 오류 발생 가능성이 높고 자원이 제한적입니다. 따라서 충분한 충실도를 달성하기 위해서는 특화된 최적화와 토폴로지 매핑이 필수적이며, 이는 전체 양자 소프트웨어 스택 내에서 정확한 컴파일 및 최적화를 요구합니다.
기존의 양자 소프트웨어 스택은 장치 선택, 컴파일 패스 최적화, 작업 큐 스케줄링 등 여러 단계가 분리되어 있었습니다. 본 논문에서는 이러한 이질적인 단계를 통합하는 통일된 학습 기반 선택기(selector)를 제안합니다. 이 선택기는 전체 과정을 하나의 응집력 있는 프레임워크로 결합하여 효율성을 극대화하는 것을 목표로 합니다.
제안된 선택기 방식은 (RL)과 딥러닝 모델을 활용합니다. 이 모델들은 충실도, 컴파일 시간, 스케줄링 지연 시간 등 여러 목표를 동시에 최적화할 수 있으며, 회로 특성 및 장치 조건 변화에 맞춰 동적으로 적응하는 것이 핵심입니다.
용어 풀이
- 강화 학습
- 행동의 결과에 보상을 주면서 더 나은 행동을 익히게 하는 학습 방법.