[논문 리뷰] Genetic Algorithms and Quantum Computation

Gilson A. Giraldi, Renato Portugal외 1명|ArXiv.org|2004. 03. 04.

Quantum Computing Algorithms and Architecture참고 문헌 27인용 수 18

한 줄 요약

이 논문은 양자 계산 분야에서 양자 진화 프로그래밍과 유전자 알고리즘(GA)을 조사하며, 초위상과 유니터리 연산을 활용하여 인구 다양성과 수렴성을 향상시키는 양자 유전자 알고리즘(QGA)을 제안한다. QGA가 양자 병렬성과 진정한 무작위성을 활용하여 검색 효율성을 향상시킬 수 있음을 보여주지만, 양자 크로스오버와 확장 가능한 구현 측면에서 여전히 도전 과제가 존재한다.

ABSTRACT

Recently, researchers have applied genetic algorithms (GAs) to address some problems in quantum computation. Also, there has been some works in the designing of genetic algorithms based on quantum theoretical concepts and techniques. The so called Quantum Evolutionary Programming has two major sub-areas: Quantum Inspired Genetic Algorithms (QIGAs) and Quantum Genetic Algorithms (QGAs). The former adopts qubit chromosomes as representations and employs quantum gates for the search of the best solution. The later tries to solve a key question in this field: what GAs will look like as an implementation on quantum hardware? As we shall see, there is not a complete answer for this question. An important point for QGAs is to build a quantum algorithm that takes advantage of both the GA and quantum computing parallelism as well as true randomness provided by quantum computers. In the first part of this paper we present a survey of the main works in GAs plus quantum computing including also our works in this area. Henceforth, we review some basic concepts in quantum computation and GAs and emphasize their inherent parallelism. Next, we review the application of GAs for learning quantum operators and circuit design. Then, quantum evolutionary programming is considered. Finally, we present our current research in this field and some perspectives.

연구 동기 및 목표

• 양자 계산 분야에서 양자 진화 프로그래밍과 GA 응용에 관한 핵심 논문들을 조사하고 통합한다.
• 초위상과 얽힘과 같은 양자 컴퓨팅 원리가 유전자 알고리즘 성능을 어떻게 향상시킬 수 있는지 탐구한다.
• 양자 병렬성과 진화적 탐색을 효과적으로 융합하는 양자 유전자 알고리즘(QGA)을 설계하는 데 도전한다.
• 양자 회로와 유니터리 연산자를 사용하여 양자 연산자 학습과 회로 설계를 위한 해를 진화시키는 데의 가능성을 조사한다.
• 진화 계산을 위한 양자 크로스오버와 확장 가능한 양자 인구 관리의 열린 문제를 규명한다.

제안 방법

• 큐비트 기반의 염색체와 유니터리 연산자를 사용하여 초위상 상태에서 인구를 표현하고 진화시키는 QGA 프레임워크를 제안한다.
• 유니터리 연산자 $U_f$를 통해 적합도 값이 염색체 상태와 얽히는 적합도 평가 메커니즘을 구현한다.
• 측정를 통해 초위상 상태를 관측된 적합도를 가진 개체들로 붕괴시킨 후, 제어된 돌연변이를 유도하기 위해 유니터리 연산자 $P$를 적용한다.
• 측정 이후 인구 다양성을 복원하기 위해 $U_f P U_f^{-1}$의 순서를 사용하며, 진화 과정에서 양자 코herence를 유지한다.
• 회로 공간의 구조를 분석하고 진화 전략의 효율성을 향상시키기 위해 구성 공간 형식론을 도입한다.
• 게이트 구조에 대한 크로스오버와 돌연변이를 적용한, 양자 회로 표현과 적합도 기반 진화를 통한 기존 QIGA 및 QGA 기법들(예: Rubinstein, Yabuki)을 분석한다.

실험 결과

연구 질문

• RQ1 초위상과 유니터리 연산을 어떻게 활용하여 유전자 알고리즘의 다양성과 수렴성을 향상시킬 수 있는가?
• RQ2 물리적으로 실현 가능한 양자 하드웨어 환경에서 양자 크로스오버와 돌연변이를 구현하는 데 있어 근본적인 과제는 무엇인가?
• RQ3 양자 진화 프로그래밍은 유니터리 연산자를 효과적으로 학습하고 최적의 양자 회로를 설계하는 데에 사용될 수 있는가?
• RQ4 구성 공간 형식론은 양자 회로 탐색 공간의 구조를 이해하고 최적화하는 데 어떻게 기여하는가?
• RQ5 측정 과정에서 개인과 그 적합도 값 간의 상관관계를 유지하는 데 있어 현재 QGA 모델의 한계는 무엇인가?

주요 결과

• 제안된 QGA 프레임워크는 초위상 덕분에 인구 다양성을 유지하여, 고적합도 개체들이 고전적 GA에서는 상호 배제적인 관계이지만 동시에 존재할 수 있도록 한다.
• 측정는 관측된 적합도를 가진 개체들로만 초위상 상태를 붕괴시키며, 이는 효과적인 인구 수를 감소시키고, $U_f P U_f^{-1}$를 통한 유니터리 복구를 통해 다양성을 복원해야 한다.
• 이 방법은 특히 큰 비선형 탐색 공간에서 양자 병렬성과 진정한 무작위성을 활용하여 검색 효율성을 향상시킬 수 있음을 보여준다.
• Rubinstein 및 Yabuki 등의 기존 접근 방식은 게이트 구조 표현에 대한 진화 전략을 적용하여 양자 회로 크기를 효과적으로 줄였다(예: 11게이트에서 8게이트로).
• 분석 결과, 개인과 적합도 값 간의 단순한 얽힘($|\Psi\rangle = \sum a_x|x\rangle \otimes \sum b_y|f(y)\rangle$)은 개인-적합도 상관관계를 파괴하여 직접 측정 기반 선택을 무효화한다.
• 이론적으로는 유망한 성과를 보였지만, 다중 레지스터 시스템에서의 양자 통신 채널과 유니터리 제약 조건이 필요하기 때문에 실현 가능한 구현에 도전 과제가 존재한다.