[논문 리뷰] Noise-Aware Quantum Architecture Search Based on NSGA-II Algorithm

Chenlu Li, Hui Zeng외 1명|arXiv (Cornell University)|2026. 01. 16.

Quantum Computing Algorithms and Architecture인용 수 0

한 줄 요약

NA-QAS는 향상된 NSGA-II와 하이브리드 해밀토니안 파라미터 공유 전략을 활용한 노이즈 인식 가변 깊이 양자 아키텍처 검색으로, 노이즈 하에서 성능이 우수하고 자원 효율적인 PQCs를 찾는다.

ABSTRACT

Quantum architecture search (QAS) has emerged to automate the design of high-performance quantum circuits under specific tasks and hardware constraints. We propose a noise-aware quantum architecture search (NA-QAS) framework based on variational quantum circuit design. By incorporating a noise model into the training of parameterized quantum circuits (PQCs) , the proposed framework identifies the noise-robust architectures. We introduce a hybrid Hamiltonian $\varepsilon$ -greedy strategy to optimize evaluation costs and circumvent local optima. Furthermore, an enhanced variable-depth NSGA-II algorithm is employed to navigate the vast search space, enabling an automated trade-off between architectural expressibility and quantum hardware overhead. The effectiveness of the framework is validated through binary classification and iris multi-classification tasks under a noisy condition. Compared to existing approaches, our framework can search for quantum architectures with superior performance and greater resource efficiency under a noisy condition.

연구 동기 및 목표

• 노이즈 제약 하에서 작업과 하드웨어에 맞춘 고성능 양자 회로 설계를 자동화한다.
• NISQ 환경에서 아키텍처 표현력과 양자 하드웨어 오버헤드의 균형을 맞춘다.
• 파라미터 공유 및 노이즈 인식 학습을 통해 평가 비용을 줄이는 확장 가능한 검색 프레임워크를 개발하고 검증한다.

제안 방법

• 레이어당 회전 게이트 조합과 얽힘 게이트(CNOT) 연결의 두 부분으로 검색 공간을 정의한다.
• PQC 훈련에 비트 플립, 디폴라라이징, 열적 이완 등의 노이즈 모델을 포함시켜 노이즈에 강한 아키텍처를 촉진한다.
• 여러 슈퍼넷을 활용한 하이브리드 해밀토니안 파라미터 공유 전략으로 후보 아키텍처 간 파라미터를 공유하고 지역 최적해를 방지하기 위해 엡실론-탐욕 선택을 적용한다.
• 깊이가 [l_min, l_max]인 아키텍처를 탐색하기 위해 개선된 가변 깊이 NSGA-II를 도입하고, 두 가지 목표 적합도(작업 해밀토니안 기대값의 최소화와 장치 비용의 최소화(CNOT 개수 + 회로 깊이))를 최적화한다.
• 공유 파라미터에서의 미세 조정으로 빠른 적합도 평가를 적용하고 NSGA-II 기반의 선택, 교차, 돌연변이, 가변 층 연산을 수행한다.

실험 결과

연구 질문

• RQ1 NA-QAS가 현실적인 노이즈 조건에서 높은 성능을 유지하는 양자 아키텍처를 식별할 수 있는가?
• RQ2 노이즈 인식 학습 및 파라미터 공유 접근 방식이 검색 품질을 유지하면서 평가 오버헤드를 줄이는가?
• RQ3 가변 깊이 아키텍처 검색은 고정 깊이 접근 방식과 비교하여 성능과 하드웨어 자원을 어떻게 균형을 이루는가?
• RQ4 노이즈 하에서 작업 성능과 하드웨어 비용 간에 어떤 파레토 최적의 트레이드오프가 존재하는가?
• RQ5 발견된 아키텍처가 노이즈 조건에서 다양한 작업(이진 분류 및 iris 다중 분류)에서 일반화되는가?

주요 결과

Method	Qubit	Accuracy	CNOT Count	Circuit Depth
NA-QAS(ours)	4	1	26	8
Random-Search(with Optimization Strategies)	4	1	32	9
Evolutionary-Search (without Optimization Strategies)	4	0.93	18	10

• NA-QAS는 노이즈 하에서 기준선 대비 더 우수한 성능과 더 큰 자원 효율성을 갖는 아키텍처를 발견한다.
• 하이브리드 해밀토니안 파라미터 공유 전략은 연속적인 파라미터 업데이트를 제공하고 노이즈 환경에서 국소 최적해를 벗어나도록 돕는다.
• 노이즈 하에서 NA-QAS는 높은 정확도를 유지하면서 CNOT 개수와 회로 깊이가 더 얕은 아키텍처를 강조한다.
• 이진 분류의 경우 NA-QAS는 3 큐빗, 5 CNOT, 깊이 8을 사용하여 0.99의 정확도를 달성하고 자원 효율성 면에서 대안들보다 뛰어나다.
• iris 분류의 경우 NA-QAS는 높은 정확도와 일부 벤치마크보다 작은 2-큐비트 게이트 수를 가진 아키텍처를 식별한다.