[논문 리뷰] QUBO.jl: A Julia Ecosystem for Quadratic Unconstrained Binary Optimization

Pedro Maciel Xavier, Pedro Ripper외 4명|arXiv (Cornell University)|2023. 07. 05.

Quantum Computing Algorithms and Architecture인용 수 6

한 줄 요약

QUBO.jl은 2차無制約二進最適化(QUBO) 문제를 위한 통합적인 줄리아 생태계로, 모델링, 재구성, 하드웨어 인터페이싱을 원활하게 지원한다. JuMP/MOI 계층으로 구축되어 ToQUBO.jl을 통해 혼합정수계획법을 QUBO로 재구성하고, QUBODrivers.jl을 통해 하드웨어 가속(예: 양자 앤날링기, 시뮬레이티드 분기 기반 기계)을 지원하며, QUBOTools.jl을 통해 파일 포맷 변환을 수행함으로써 양자 및 고전적 솔버를 위한 종단 간 워크플로우 지원을 가능하게 하며, 사용성과 성능을 향상시킨다.

ABSTRACT

We present QUBO.jl, an end-to-end Julia package for working with QUBO (Quadratic Unconstrained Binary Optimization) instances. This tool aims to convert a broad range of JuMP problems for straightforward application in many physics and physics-inspired solution methods whose standard optimization form is equivalent to the QUBO. These methods include quantum annealing, quantum gate-circuit optimization algorithms (Quantum Optimization Alternating Ansatz, Variational Quantum Eigensolver), other hardware-accelerated platforms, such as Coherent Ising Machines and Simulated Bifurcation Machines, and more traditional methods such as simulated annealing. Besides working with reformulations, QUBO.jl allows its users to interface with the aforementioned hardware, sending QUBO models in various file formats and retrieving results for subsequent analysis. QUBO.jl was written as a JuMP / MathOptInterface (MOI) layer that automatically maps between the input and output frames, thus providing a smooth modeling experience.

연구 동기 및 목표

• 양자 및 하이브리드 컴퓨팅 분야에서 증가하는 QUBO 도구 수요를 충족시키기 위해, 운영 연구자 및 개발자가 사용하기 쉽게 설계된 통합 인터페이스를 제공함으로써 접근성 향상을 도모한다.
• JuMP 기반 전통적 최적화 모델링과 양자 앤날링기 및 이징 기반 기계와 같은 신규 하드웨어 가속기 간 격차를 메운다.
• 문제 정의에서 결과 분석에 이르기까지 QUBO 파이프라인 전반을 통합함으로써 재구성, 드라이버 추상화, 파일 포맷 처리를 통해 전체 워크플로우를 간소화한다.
• 계수 크기를 줄이고 솔버 성능을 향상시키는 데 기여하는 다양한 인코딩 기법(예: 산술적 등차수열 인코딩)을 지원한다.
• 다양한 플랫폼과 문제 인스턴스에서 QUBO 솔버 평가를 위한 재현 가능한 벤치마킹 프레임워크를 구축한다.

제안 방법

• 프레임워크는 표준 최적화 모델을 자동으로 QUBO 형식으로 매핑하는 JuMP/MOI 계층으로 구현되어, 줄리아 최적화 문법에 익숙한 사용자에게 원활한 모델링 경험을 제공한다.
• ToQUBO.jl은 비선형 및 혼합정수계획법을 변수 인코딩 기법을 통해 정확한 재구성으로 QUBO로 변환하며, 계수 크기를 제한하는 새로운 산술적 등차수열 인코딩을 포함한다.
• QUBODrivers.jl은 하드웨어 인터페이스를 추상화하여, D-Wave, 시뮬레이티드 분기 기반 기반, Qiskit, OpenQAOA 등의 다양한 솔버에 표준화된 입력/출력 형식을 사용해 QUBO 인스턴스를 제출할 수 있도록 한다.
• QUBOTools.jl은 여러 QUBO 파일 포맷(예: .qubo, .qbsf, .qbsolv) 간의 변환을 처리하며, 그래프 레시피 및 솔루션 풀 분석과 같은 유틸리티를 제공한다.
• 단일 변수 인코딩 전략(예: 유니어리, 이진, 제안된 산술적 등차수열 인코딩)을 지원하며, 벤치마크를 통해 성능 트레이드오프를 분석한다.
• 벤치마킹은 표준화된 환경(Linux, Julia 1.9.0, Intel Xeon E5-2630 v4)에서 수행되어, ToQUBO.jl이 PyQUBO, qubovert, OpenQAOA 등 기존 도구들과 비교해 재구성 속도와 계수 조건화 성능을 평가한다.

실험 결과

연구 질문

• RQ1 어떻게 통합적인 줄리아 기반 생태계가 일반 최적화 모델에서 양자 및 고전적 하드웨어 가속기용으로 적합한 QUBO 형식의 문제로의 전환을 간소화할 수 있는가?
• RQ2 특히 산술적 등차수열 인코딩을 포함한 다양한 변수 인코딩 기법이 QUBO 재구성에서 계수 조건화와 솔버 성능에 미치는 영향은 어떠한가?
• RQ3 ToQUBO.jl의 재구성 속도와 수치적 안정성 측면에서 기존 도구인 PyQUBO, qubovert, OpenQAOA와 비교해 성능은 어떻게 되는가?
• RQ4 JuMP/MOI를 통한 단일 인터페이스가 다양한 QUBO 솔버(예: 양자 앤날링기, 이징 기반 기계 포함)와의 복잡한 인터페이스를 얼마나 잘 추상화할 수 있는가?
• RQ5 표준화된 벤치마킹 및 파일 포맷 지원이 다양한 플랫폼 간 QUBO 솔버 평가의 재현 가능성을 어떻게 높일 수 있는가?

주요 결과

• 논문에서 제안한 산술적 등차수열 인코딩은 계수 크기를 O(√n) 수준으로 제한하여, 기존의 이진 또는 유니어리 인코딩 대비 변수 수와 계수 크기 간의 유리한 트레이드오프를 제공한다.
• 벤치마크 결과에 따르면, 테스트 하드웨어에서 ToQUBO.jl은 PyQUBO와 qubovert보다 재구성 속도에서 뛰어난 성능을 보이며, 다양한 문제 유형에서 일관된 성능을 유지한다.
• MOI를 통한 JuMP 통합은 원활한 모델링 경험을 가능하게 하여, 사용자가 저수준 QUBO 조작 없이 고수준의 인간이 읽기 쉬운 문법으로 문제를 정의할 수 있도록 한다.
• QUBODrivers.jl은 하드웨어 특화 인터페이스를 성공적으로 추상화하여, D-Wave, Qiskit, OpenQAOA, Amplify 등의 솔버에 QUBO 인스턴스를 투명하게 제출할 수 있도록 한다.
• QUBOTools.jl을 통한 다중 파일 포맷 지원은 상호운용성을 향상시키며, 다양한 플랫폼 간 표준화된 입력/출력 워크플로우를 가능하게 한다.
• 벤치마킹 환경는 부록 11에 상세히 기재되어 있어 재현 가능성을 보장하며, 향후 QUBO 솔버의 발전과 성능 비교를 위한 기초를 마련한다.