변분 양자 알고리즘(Variational quantum algorithms, VQAs)은 근기 양자 장치에서의 잠재적 계산 이점 때문에 최근 몇 년간 괄목할 만한 관심을 받아왔다. VQAs는 기존의 고전적 접근만으로는 해결하기 어려운 고차원 문제를 풀기 위해, 고전 컴퓨팅과 양자 컴퓨팅 자원을 통합하는 하이브리드 접근법을 활용한다. 변분 회로의 학습 과정에서 각 epoch마다 정확한 확률분포를 구성하는 것이 항상 필요하지는 않으므로, shot(측정 횟수) 감소를 통해 계산 비용을 줄일 수 있는 기회가 생긴다. 그러나 이러한 잠재력을 활용하는 기존의 shot-할당 방법들은 종종 적응적 피드백이 부족하거나 특정 고전 최적화 기법에 종속되어, 일반적인 VQAs 및 더 광범위한 최적화 기법에 대한 적용성이 제한된다. 본 연구의 관찰에 따르면, 양자 회로 출력 분포의 정보 엔트로피는 목표 Hellinger 거리(Hellinger distance)를 달성하는 데 필요한 shot 수와 대략적인 지수적 관계를 보인다. 이에 본 연구에서는 이전 학습 epoch에서 얻은 엔트로피 분포를 사용하여 VQA의 각 반복(iteration)마다 shot 수를 효율적으로 조정하는 분포-적응 동적 shot(Distribution-adaptive dynamic shot, DDS) 프레임워크를 제안한다. 그 결과, DDS 프레임워크는 고정-shot 학습과 비교하여 평균 shot 수를 약 50% 감소시키면서도 추론 정확도를 유지하며, 최근 제안된 계층형(tiered) shot 할당 방법에 비해 약 60% 더 높은 정확도를 달성함을 보여준다. 또한 실제 IBM 양자 시스템의 오류율을 반영하는 노이즈 시뮬레이션에서도 DDS는 고정-shot 방식에 비해 총 shot 수를 약 30% 감소시키면서 정확도의 저하가 최소화되었고, 계층형 shot 할당 방법에 비해 약 70% 높은 계산 정확도를 제공한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.