[논문 리뷰] Probabilistic Design of Parametrized Quantum Circuits through Local Gate Modifications

Grier M. Jones, Aviraj Newatia외 4명|arXiv (Cornell University)|2026. 02. 12.

Quantum Computing Algorithms and Architecture인용 수 0

한 줄 요약

이 논문은 Local Quantum Architecture Search (LQAS)를 소개합니다. 진화에서 영감을 받은 휴리스틱으로, 로컬 게이트 수준의 수정으로 매개변수화된 양자 회로를 다듬어 작업 특화 성능을 향상시키며, 합성 데이터 및 양자 화학 데이터셋에서 상태 벡터 시뮬레이션과 일부 실제 기기 실험으로 평가됩니다.

ABSTRACT

Within quantum machine learning, parametrized quantum circuits provide flexible quantum models, but their performance is often highly task-dependent, making manual circuit design challenging. Alternatively, quantum architecture search algorithms have been proposed to automate the discovery of task-specific parametrized quantum circuits using systematic frameworks. In this work, we propose an evolution-inspired heuristic quantum architecture search algorithm, which we refer to as the local quantum architecture search. The goal of the local quantum architecture search algorithm is to optimize parametrized quantum circuit architectures through a local, probabilistic search over a fixed set of gate-level actions applied to existing circuits. We evaluate the local quantum architecture search algorithm on two synthetic function-fitting regression tasks and two quantum chemistry regression datasets, including the BSE49 dataset of bond separation energies for first- and second-row elements and a dataset of water conformers generated using the data-driven coupled-cluster approach. Using state-vector simulation, our results highlight the applicability of local quantum architecture search algorithm for identifying competitive circuit architectures with desirable performance metrics. Lastly, we analyze the properties of the discovered circuits and demonstrate the deployment of the best-performing model on state-of-the-art quantum hardware.

연구 동기 및 목표

• 작업 특화 PQC의 설계 병목과 자동화의 확장 필요성
• 진화에서 영감을 받은 로컬 탐색 프레임워크(LQAS) 제안: 기존 회로 템플릿을 확률적 게이트 수준 수정으로 다듬음
• 합성 함수 적합 작업 및 양자 화학 데이터셋에서 LQAS 평가; 성능 및 회로 특성 분석
• 상태 벡터 시뮬레이션 및 IBM 양자 하드웨어에서의 최상 성능 모델 배치를 하드웨어 기준으로 시연

제안 방법

• HEA(하드웨어 효율적 앙상즈) 베이스라인에서 시작
• 로컬 수정 어휘를 정의(게이트 추가, 제거, 스위치, 이동) 및 관련 확률 padd, premove, pswitch, pmove를 가짐
• 베이스라인을 중심으로 작은 이웃에서 수정된 회로를 반복적으로 샘플링하고 훈련하여 상위 성능자를 선택하여 다음 세대를 형성
• 수정들을 확률적으로 표현하는 Bernoulli 변수로 탐색 범위를 제어
• 회귀 과제에서 MSE 및 R^2 같은 지표로 후보 해를 평가
• 반복마다 성능의 진화를 분석하고 합성 및 화학 데이터셋의 결과를 연구

실험 결과

연구 질문

• RQ1 지역화되고 확률적 게이트 수준 수정이 전역 탐색보다 작업 특성 PQC를 더 효율적으로 발견할 수 있는가?
• RQ2 LQAS가 함수 적합 및 양자 화학 회귀 과제에서 표현력과 성능에 어떤 영향을 미치는가?
• RQ3 로컬로 수정된 PQCs가 상태 벡터 시뮬레이션에서 실제 양자 하드웨어로 이전될 때 장점을 유지하는가?

주요 결과

• LQAS는 합성 데이터셋에서 베이스라인 HEA보다 현저히 더 나은 회귀 성능의 PQCs를 산출한다.
• 양자 화학 과제(DDCC 및 BSE49)에서 모델은 반복이 진행될수록 개선되어 효과적인 로컬 정제가 나타난다.
• LQAS로 식별된 최고 성능 회로는 하드웨어 잡음에도 불구하고 현재의 양자 하드웨어에 성능 벤치마크로 배치될 수 있다.
• 게이트 제거 또는 교체와 같은 최소하면서도 목표가 있는 회로 수정이 큰 성능 개선을 낳을 수 있다.
• 첫 번째 이터레이션에서 상당한 이득이 자주 나타나며, 이후 이터레이션에서 추가 개선이 있다.