WO2025014307A1 - 큐비트 맵핑 장치 및 방법 - Google Patents

큐비트 맵핑 장치 및 방법 Download PDF

Info

Publication number
WO2025014307A1
WO2025014307A1 PCT/KR2024/009963 KR2024009963W WO2025014307A1 WO 2025014307 A1 WO2025014307 A1 WO 2025014307A1 KR 2024009963 W KR2024009963 W KR 2024009963W WO 2025014307 A1 WO2025014307 A1 WO 2025014307A1
Authority
WO
WIPO (PCT)
Prior art keywords
qubit
state data
quantum state
order combination
error value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
PCT/KR2024/009963
Other languages
English (en)
French (fr)
Inventor
이동규
김봉상
김태현
전형준
이경민
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
LG Electronics Inc
SNU R&DB Foundation
Original Assignee
LG Electronics Inc
Seoul National University R&DB Foundation
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by LG Electronics Inc, Seoul National University R&DB Foundation filed Critical LG Electronics Inc
Priority to KR1020267002438A priority Critical patent/KR20260040006A/ko
Publication of WO2025014307A1 publication Critical patent/WO2025014307A1/ko
Anticipated expiration legal-status Critical
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/60—Quantum algorithms, e.g. based on quantum optimisation, quantum Fourier or Hadamard transforms
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
    • G06N10/70—Quantum error correction, detection or prevention, e.g. surface codes or magic state distillation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B82—NANOTECHNOLOGY
    • B82Y—SPECIFIC USES OR APPLICATIONS OF NANOSTRUCTURES; MEASUREMENT OR ANALYSIS OF NANOSTRUCTURES; MANUFACTURE OR TREATMENT OF NANOSTRUCTURES
    • B82Y10/00—Nanotechnology for information processing, storage or transmission, e.g. quantum computing or single electron logic

Definitions

  • the present disclosure relates to a qubit mapping device and method capable of minimizing errors by optimizing qubit mapping of input data input to a quantum computing device.
  • a quantum computer is a device that processes information in a completely different way from conventional computers by storing and calculating information in qubits that operate according to the principles of quantum mechanics.
  • the present disclosure aims to solve the above-mentioned problems and other problems.
  • the present disclosure aims to provide a qubit mapping device and method capable of minimizing information loss occurring in the process of inputting information into a quantum computer and improving encoding efficiency and accuracy by reducing the dimensionality of quantum state data, compressing it, and extracting and outputting quantum state data of a qubit order combination having the smallest error value from the compressed quantum state data.
  • a qubit mapping device includes an input unit for receiving input data for quantum computing, and a processor for encoding and optimizing the input data into quantum state data, wherein the processor converts the input data into quantum state data composed of n qubits, compresses the quantum state data by reducing the dimension, changes the qubit order of the compressed quantum state data into a plurality of combinations to reconstruct the quantum state data, calculates an error value of the quantum state data corresponding to each qubit order combination, and extracts and outputs quantum state data of a qubit order combination having a smallest error value among the calculated error values.
  • a qubit mapping method is a qubit mapping method of a qubit mapping device that encodes input data for quantum computing into quantum state data and optimizes it, the method including: a step of converting input data into quantum state data composed of n qubits; a step of compressing the quantum state data by reducing the dimension; a step of reconstructing the quantum state data by changing the qubit order of the compressed quantum state data into a plurality of combinations; a step of calculating an error value of the quantum state data corresponding to each qubit order combination; and a step of extracting and outputting the quantum state data of the qubit order combination having the smallest error value among the calculated error values.
  • a qubit mapping device can minimize information loss occurring in the process of inputting information to a quantum computer and improve encoding efficiency and accuracy by reducing the dimensionality of quantum state data, compressing it, and extracting and outputting quantum state data of a qubit order combination having the smallest error value from the compressed quantum state data.
  • the present disclosure can minimize truncation errors and significantly improve encoding efficiency and accuracy by optimizing qubit mapping compared to conventional simple encoding methods.
  • the present disclosure can perform high-accuracy quantum state encoding using qubit permutation for various datasets, since it can minimize truncation errors of matrix multiplication states through qubit permutation.
  • the present disclosure can increase efficiency by reducing the search space by exploiting the symmetry of the search space and finding the optimal qubit mapping within a practical time.
  • the present disclosure can improve the performance of a quantum classifier and increase accuracy by applying it to a quantum classifier.
  • FIG. 1 is a diagram illustrating a quantum computing system including a qubit mapping device according to one embodiment of the present disclosure.
  • FIG. 2 is a diagram for explaining a qubit mapping device according to one embodiment of the present disclosure.
  • FIGS. 3 to 5 are diagrams for explaining a processor of a qubit mapping device according to an embodiment of the present disclosure.
  • FIGS. 6 and 7 are diagrams showing quantum state data depending on whether qubit mapping is performed according to an embodiment of the present disclosure.
  • FIGS. 8A to 8D are diagrams showing quantum state data of a numeric image sample depending on whether qubit mapping is performed according to an embodiment of the present disclosure.
  • FIGS. 9A to 9D are diagrams showing quantum state data of clothing image samples depending on whether qubit mapping is performed according to an embodiment of the present disclosure.
  • FIGS. 10A and 10B are diagrams showing quantum classification accuracy depending on whether qubit mapping is performed according to an embodiment of the present disclosure.
  • FIG. 11 is a diagram for explaining a qubit mapping method of a qubit mapping device according to an embodiment of the present disclosure.
  • FIG. 1 is a diagram illustrating a quantum computing system including a qubit mapping device according to one embodiment of the present disclosure.
  • the quantum computing system of the present disclosure may include a qubit mapping device (100) that encodes input data for quantum computing into quantum state data and optimizes it, and a quantum computing device (200) that receives the optimized quantum state data and performs quantum computing.
  • a qubit mapping device 100
  • a quantum computing device 200
  • the qubit mapping device (100) may be configured as an integral part included in the quantum computing device (200), or may be configured as a separate part separated from the quantum computing device (200).
  • a qubit mapping device (100) may be connected to a quantum computing device (200) via wired or wireless communication to provide optimized quantum state data.
  • the qubit mapping device (100) can also transmit and receive data with external devices such as multiple quantum computing devices or quantum computing servers using wired or wireless communication technology.
  • the qubit mapping device (100) can optimize input data for quantum computing by encoding the input data into quantum state data.
  • the qubit mapping device (100) can convert input data into quantum state data composed of n qubits, compress the quantum state data by reducing the dimension, reconstruct the quantum state data by changing the qubit order of the compressed quantum state data into a plurality of combinations, calculate an error value of the quantum state data corresponding to each qubit order combination, and extract and output the quantum state data of the qubit order combination having the smallest error value among the calculated error values.
  • the qubit mapping device (100) can compress the quantum state data by reducing the dimension of the quantum state data, reconstructing the quantum state data, decomposing the reconstructed quantum state data into a plurality of matrices, and reducing the size of the decomposed matrices to a preset bond dimension.
  • the qubit mapping device (100) can reconstruct the quantum state data based on the preset coupling dimension when reconstructing the quantum state data.
  • the qubit mapping device (100) can reconstruct quantum state data into an array structure composed of [2X, len(a)/2X] (wherein, X is a coupling dimension, len(a) is a length of quantum state data a, and a is quantum state data having qubits of (a 1 , a 2 , ...., a 2 n )).
  • the qubit mapping device (100) can decompose quantum state data into three matrices U, ⁇ , and V + (wherein, U is an m ⁇ m orthogonal matrix, ⁇ is an m ⁇ n diagonal matrix, and V + is an n ⁇ n orthogonal matrix) based on the SVD (Singular Value Decomposition) algorithm when decomposing into multiple matrices.
  • U is an m ⁇ m orthogonal matrix
  • ⁇ is an m ⁇ n diagonal matrix
  • V + is an n ⁇ n orthogonal matrix
  • the qubit mapping device (100) can repeatedly truncate singular values of each decomposed matrix until a preset combined dimension is reached when reducing the size of the decomposed matrix.
  • the qubit mapping device (100) adds one matrix among a plurality of matrices reduced to a combined dimension to a factor list in the array structure of quantum state data, flattens the remaining matrices to generate new quantum state data, and determines whether to end the iteration of the process of reducing and compressing the dimension of the quantum state data based on the length of the new quantum state data, and if the iteration of the process of reducing and compressing the dimension of the quantum state data is ended, the final factor list in the array structure of the quantum state data can be returned.
  • the qubit mapping device (100) may end the repetition of the process of compressing by reducing the dimension of the quantum state data if the length of the new quantum state data is greater than 2X (where X is the coupling dimension), and may repeat the process of compressing by reducing the dimension of the quantum state data if the length of the new quantum state data is 2X or less.
  • the qubit mapping device (100) calculates the number of qubits for generating a qubit order combination from the qubits of the compressed quantum state data when reconstructing the quantum state data, changes the qubit order based on the calculated number of qubits to generate a plurality of qubit order combinations, and can reconstruct the quantum state data for each qubit order combination.
  • the qubit mapping device (100) can calculate the number of qubits x for generating the qubit order combination when calculating the number of qubits for generating the qubit order combination from a formula consisting of [log 2 X] + 1 (where X is the coupling dimension).
  • the qubit mapping device (100) can calculate a partial truncation error value from quantum state data corresponding to each qubit order combination, and obtain the calculated partial truncation error value for each qubit order combination.
  • the qubit mapping device (100) can calculate a partial truncation error for l of each qubit order combination (n, x) (where n is the number of qubits, x is the number of qubits for generating a qubit order combination, and l is a qubit order combination) and add (error, l) to a min-heap to calculate an error value of the quantum state data.
  • the qubit mapping device (100) extracts the quantum state data of the qubit order combination having the smallest error value based on the error values of the qubit order combination, checks whether the length of the qubit order combination having the smallest error value satisfies a preset length condition, and if the length of the qubit order combination having the smallest error value satisfies the preset length condition, determines and outputs the qubit order combination satisfying the preset length condition as the optimal permutation.
  • the qubit mapping device (100) may repeatedly perform the process of checking whether the length of the qubit order combination having the smallest error value satisfies the preset length condition, and if the length of the qubit order combination having the smallest error value does not satisfy the preset length condition, adding an index that is not included in the qubit order combination having the smallest error value to the qubit order combination having the smallest error value to generate a new qubit order combination l2, calculating a truncation error for the new qubit order combination l2, and adding (error, l2) to a min-heap to calculate an error value of the quantum state data.
  • the quantum computing device (200) may be implemented as a fixed device or a movable device, such as a TV, a projector, a mobile phone, a smart phone, a desktop computer, a laptop, a digital broadcasting terminal, a PDA (personal digital assistant), a PMP (portable multimedia player), a navigation device, a tablet PC, a wearable device, a set-top box (STB), a DMB receiver, a radio, a washing machine, a refrigerator, a desktop computer, digital signage, a robot, a vehicle, etc.
  • a TV a projector
  • a mobile phone a smart phone
  • a desktop computer a laptop
  • a digital broadcasting terminal a PDA (personal digital assistant), a PMP (portable multimedia player)
  • a navigation device a tablet PC, a wearable device, a set-top box (STB), a DMB receiver, a radio, a washing machine, a refrigerator, a desktop computer, digital signage, a robot
  • a quantum computing device (200) may include a communication unit, an input unit, a learning processor, a sensing unit, an output unit, a memory, a processor, and the like.
  • the communication unit can transmit and receive data with external devices such as other quantum computing devices or quantum computing servers using wired or wireless communication technology.
  • the communication unit can transmit and receive sensor information, user input, learning models, control signals, etc. with external devices.
  • the communication technologies used by the Ministry of Communications include GSM (Global System for Mobile communication), CDMA (Code Division Multi Access), LTE (Long Term Evolution), 5G, WLAN (Wireless LAN), Wi-Fi (Wireless-Fidelity), Bluetooth (Bluetooth), RFID (Radio Frequency Identification), Infrared Data Association (IrDA), ZigBee, NFC (Near Field Communication), etc.
  • GSM Global System for Mobile communication
  • CDMA Code Division Multi Access
  • LTE Long Term Evolution
  • 5G Fifth Generation
  • WLAN Wireless LAN
  • Wi-Fi Wireless-Fidelity
  • Bluetooth Bluetooth
  • RFID Radio Frequency Identification
  • IrDA Infrared Data Association
  • ZigBee ZigBee
  • NFC Near Field Communication
  • the input section can acquire various types of data.
  • the input unit may include a camera for inputting a video signal, a microphone for receiving an audio signal, a user input unit for receiving information from a user, etc.
  • the camera or microphone may be treated as a sensor, and a signal obtained from the camera or microphone may be referred to as sensing data or sensor information.
  • the input unit can obtain input data to be used when obtaining output using learning data for model learning and a learning model.
  • the input unit can also obtain unprocessed input data, in which case the processor or learning processor can extract input features as preprocessing for the input data.
  • the learning processor can train a model composed of an artificial neural network using learning data.
  • the trained artificial neural network can be called a learning model.
  • the learning model can be used to infer a result value for new input data other than learning data, and the inferred value can be used as a basis for judgment to perform a certain action.
  • the learning processor can perform AI processing together with the learning processor of the quantum computing server.
  • the running processor may include a memory integrated or implemented in the quantum computing device (200).
  • the running processor may be implemented using a memory, an external memory directly coupled to the quantum computing device (200), or a memory maintained in an external device.
  • the sensing unit can obtain at least one of internal information of the quantum computing device (200), information about the surrounding environment of the quantum computing device (200), and user information using various sensors.
  • the sensors included in the sensing unit include a proximity sensor, a light sensor, an acceleration sensor, a magnetic sensor, a gyro sensor, an inertial sensor, an RGB sensor, an IR sensor, a fingerprint recognition sensor, an ultrasonic sensor, a light sensor, a microphone, a lidar, a radar, etc.
  • the output unit can generate output related to vision, hearing, or touch, etc.
  • the output unit may include a display unit that outputs visual information, a speaker that outputs auditory information, a haptic module that outputs tactile information, etc.
  • the memory can store data that supports various functions of the quantum computing device (200).
  • the memory can store input data, learning data, learning models, learning history, etc. obtained from the input unit.
  • the processor may determine at least one executable operation of the quantum computing device (200) based on information determined or generated using a data analysis algorithm or a machine learning algorithm. Then, the processor may control components of the quantum computing device (200) to perform the determined operation.
  • the processor may request, retrieve, receive or utilize data from the running processor or memory, and control components of the quantum computing device (200) to execute at least one of the executable operations, either a predicted operation or an operation determined to be desirable.
  • the processor may generate a control signal for controlling the external device and transmit the generated control signal to the external device.
  • the processor can obtain intent information with respect to user input and determine the user's requirement based on the obtained intent information.
  • the processor can obtain intent information corresponding to the user input by using at least one of an STT (Speech To Text) engine for converting voice input into a string or a natural language processing (NLP) engine for obtaining intent information of natural language.
  • STT Seech To Text
  • NLP natural language processing
  • At this time, at least one of the STT engine or the NLP engine may be configured with an artificial neural network at least partially learned according to a machine learning algorithm. And, at least one of the STT engine or the NLP engine may be learned by a learning processor, by a learning processor of a quantum computing server, or by distributed processing thereof.
  • the processor can collect history information including the operation details of the quantum computing device (200) or user feedback on the operation, and store it in a memory or learning processor, or transmit it to an external device such as a quantum computing server.
  • the collected history information can be used to update the learning model.
  • the processor may control at least some of the components of the quantum computing device (200) to drive an application program stored in the memory. Furthermore, the processor may operate two or more of the components included in the quantum computing device (200) in combination with each other to drive the application program.
  • FIG. 2 is a diagram for explaining a qubit mapping device according to one embodiment of the present disclosure.
  • the qubit mapping device (100) of the present disclosure may include an input unit (110) for receiving input data for quantum computing, a processor (120) for encoding and optimizing the input data into quantum state data, and a memory (130) for storing a first algorithm capable of reducing the dimension of quantum state data based on a matrix product state and a second algorithm capable of extracting quantum state data of a qubit order combination having the smallest error value based on a matrix product state.
  • the qubit mapping device (100) of the present disclosure may further include a communication unit capable of transmitting and receiving data with external devices such as other quantum computing devices or quantum computing servers using wired or wireless communication technology.
  • the input unit (110) can obtain various types of input data from low-dimensional to high-dimensional.
  • the processor (120) can convert input data into quantum state data composed of n qubits, compress the quantum state data by reducing the dimension, reconstruct the quantum state data by changing the qubit order of the compressed quantum state data into a plurality of combinations, calculate an error value of the quantum state data corresponding to each qubit order combination, and extract and output the quantum state data of the qubit order combination having the smallest error value among the calculated error values.
  • the processor (120) may select and perform one of the following: a first method that only performs a process of compressing quantum state data by reducing the dimension of quantum state data corresponding to input data using a first algorithm, a second method that only performs a process of extracting quantum state data of a combination of qubit orders having the smallest error value using a second algorithm, and a third method that performs both the first method and the second method.
  • the processor (120) can perform the third method in a serial manner by performing the second method sequentially based on the first result of the first method after performing the first method and outputting the second result of the second method to a device performing quantum computing.
  • the processor (120) may perform the first method and the second method simultaneously in a parallel manner to output at least one of the first result of the first method and the second result of the second method to a device performing quantum computing.
  • the processor (120) can reconstruct the quantum state data, decompose the reconstructed quantum state data into a plurality of matrices, and compress the data by reducing the size of the decomposed matrices to a preset bond dimension.
  • the processor (120) can reconstruct the quantum state data into an array structure composed of [2X, len(a)/2X] (wherein, X is a coupling dimension, len(a) is a length of the quantum state data a, and a is quantum state data having qubits of (a 1 , a 2 , ...., a 2 n )).
  • the processor (120) can decompose the quantum state data into three matrices U, ⁇ , and V + (wherein, U is an m ⁇ m orthogonal matrix, ⁇ is an m ⁇ n diagonal matrix, and V + is an n ⁇ n orthogonal matrix) based on the SVD (Singular Value Decomposition) algorithm when decomposing into multiple matrices.
  • U is an m ⁇ m orthogonal matrix
  • ⁇ is an m ⁇ n diagonal matrix
  • V + is an n ⁇ n orthogonal matrix
  • the processor (120) can repeatedly truncate the singular values of each decomposed matrix until a preset combined dimension is reached when reducing the size of the decomposed matrix.
  • the processor (120) adds one matrix among a plurality of matrices reduced to a combined dimension to a factor list in the array structure of quantum state data, flattens the remaining matrices to generate new quantum state data, and determines whether to end the iteration for the process of reducing and compressing the dimension of the quantum state data based on the length of the new quantum state data, and if the iteration for the process of reducing and compressing the dimension of the quantum state data is ended, the final factor list in the array structure of the quantum state data can be returned.
  • the processor (120) may end the repetition of the process of compressing by reducing the dimension of the quantum state data if the length of the new quantum state data is greater than 2X (where X is the coupling dimension), and may repeat the process of compressing by reducing the dimension of the quantum state data if the length of the new quantum state data is less than or equal to 2X.
  • the processor (120) can analyze the quantum state data when the input data is converted into quantum state data and set the combined dimension to be compressed.
  • the processor (120) when setting the coupling dimension, can set the coupling dimension to a lower dimension than the dimension of the quantum state data.
  • the processor (120) can determine the low-dimensional level of the coupling dimension based on the performance of the device performing quantum computing.
  • the processor (120) may set the coupling dimension so that the higher the performance of the device performing quantum computing, the greater the level difference between the dimension of the quantum state data and the coupling dimension, and may set the coupling dimension so that the lower the performance of the device performing quantum computing, the smaller the level difference between the dimension of the quantum state data and the coupling dimension.
  • the processor (120) calculates the number of qubits for generating a qubit order combination from the qubits of the compressed quantum state data when reconstructing the quantum state data, changes the qubit order based on the calculated number of qubits to generate a plurality of qubit order combinations, and can reconstruct the quantum state data for each qubit order combination.
  • the processor (1200) can calculate the number of qubits x for generating a qubit order combination from a formula consisting of [log 2 X] + 1 (where X is a coupling dimension) when calculating the number of qubits for generating a qubit order combination.
  • the processor (120) can calculate a partial truncation error value from quantum state data corresponding to each qubit order combination, and obtain the calculated partial truncation error value for each qubit order combination.
  • the processor (120) can calculate a partial truncation error for l of each qubit order combination (n, x) (where n is the number of qubits, x is the number of qubits for generating a qubit order combination, and l is a qubit order combination) and add (error, l) to a min-heap to calculate an error value of the quantum state data.
  • the processor (120) extracts the quantum state data of the qubit order combination having the smallest error value based on the error values of the qubit order combination, checks whether the length of the qubit order combination having the smallest error value satisfies a preset length condition, and if the length of the qubit order combination having the smallest error value satisfies the preset length condition, determines and outputs the qubit order combination satisfying the preset length condition as the optimal permutation.
  • the processor may repeatedly perform the process of adding an index that is not included in the qubit order combination having the smallest error value to the qubit order combination having the smallest error value to generate a new qubit order combination l2, calculating a truncation error for the new qubit order combination l2, and adding (error, l2) to a min-heap to calculate an error value of the quantum state data.
  • the qubit mapping device of the present disclosure can minimize information loss occurring in the process of inputting information to a quantum computer and improve encoding efficiency and accuracy by reducing the dimensionality of quantum state data, compressing it, and extracting and outputting quantum state data of a qubit order combination having the smallest error value from the compressed quantum state data.
  • FIGS. 3 to 5 are diagrams for explaining a processor of a qubit mapping device according to an embodiment of the present disclosure.
  • the processor (120) of the qubit mapping device may include an encoding unit (122) that compresses quantum state data by reducing the dimension of the quantum state data, and an optimization unit (124) that extracts and outputs quantum state data of a qubit order combination having the smallest error value from the quantum state data compressed by the encoding unit (122).
  • the encoding unit (122) can perform a process of compressing and reducing the dimension of quantum state data using a first algorithm based on a matrix product state.
  • the optimization unit (124) can perform a process of extracting and outputting quantum state data of a qubit order combination with the smallest error value using a second algorithm based on a matrix product state.
  • the processor (120) of the qubit mapping device may only perform a process of compressing quantum state data by reducing the dimension of the quantum state data corresponding to the input data using the first algorithm.
  • the processor (120) of the qubit mapping device can only perform a process of compressing the quantum state data by reducing the dimension of the quantum state data using the first algorithm through the encoding unit (122) if there is little loss of the quantum state data.
  • the processor (120) of the qubit mapping device may only perform a process of extracting quantum state data of a combination of qubit orders having the smallest error value with respect to quantum state data corresponding to input data using a second algorithm.
  • the processor (120) of the qubit mapping device may only perform a process of extracting quantum state data of a combination of qubit orders having the smallest error value from the quantum state data through the optimization unit (124) as a second algorithm in order to minimize loss of quantum state data and improve optimization efficiency.
  • the processor (120) of the qubit mapping device may perform a first process of compressing quantum state data by reducing the dimension of quantum state data corresponding to input data using a first algorithm, and a second process of extracting quantum state data of a combination of qubit orders having the smallest error value using a second algorithm for quantum state data corresponding to the compressed input data.
  • the processor (120) of the qubit mapping device can simultaneously perform a first process of reducing and compressing the quantum state data by using a first algorithm through an encoding unit (122) when high-dimensional quantum state data has a lot of data loss, and a second process of extracting the quantum state data of the qubit order combination with the smallest error value from the quantum state data by using a second algorithm through an optimization unit (124).
  • the processor (120) of the qubit mapping device may perform the first process of reducing the dimension of the quantum state data by using a first algorithm through an encoding unit (122) and compressing it, and the second process of extracting the quantum state data of the qubit order combination with the smallest error value from the quantum state data by using a second algorithm through an optimization unit (124) in a serial or parallel manner.
  • the processor (120) of the qubit mapping device performs a first process of compressing quantum state data by reducing the dimension of the quantum state data using a first algorithm through an encoding unit (122) in a serial manner, and then transmits the first result of the first process to an optimization unit (124), and then sequentially performs a second process of extracting quantum state data of a combination of qubit orders having the smallest error value from the quantum state data using a second algorithm through the optimization unit (124) based on the first result of the first process, and then outputs the second result of the second process to a quantum computing device (200) that performs quantum computing.
  • the processor (120) of the qubit mapping device may simultaneously perform, in a parallel manner, a first process of compressing quantum state data by reducing the dimension of the quantum state data using a first algorithm through an encoding unit (122), and a second process of extracting quantum state data of a combination of qubit orders having the smallest error value from the quantum state data using a second algorithm through an optimization unit (124), and output at least one of the first result of the first process and the second result of the second process to a quantum computing device (200) that performs quantum computing through a selection unit (126).
  • the parallel method of Fig. 5 can process input data at a fast computational speed and efficiently by simultaneously performing the first step of compressing the quantum state data by reducing the dimensionality of the quantum state data using the first algorithm and the second step of extracting the quantum state data of the qubit order combination with the smallest error value from the quantum state data using the second algorithm.
  • FIGS. 6 and 7 are diagrams showing quantum state data depending on whether qubit mapping is performed according to an embodiment of the present disclosure.
  • Fig. 6 is a diagram showing quantum state data when qubit mapping execution is not performed
  • Fig. 7 is a diagram showing quantum state data when qubit mapping execution is performed.
  • the accuracy may be reduced due to a truncation error in the second quantum state data (22) for the clothing image.
  • the truncation error for the second quantum state data (32) for the clothing image can be minimized, thereby improving accuracy.
  • FIGS. 8A to 8D are diagrams showing quantum state data of a numeric image sample depending on whether qubit mapping is performed according to an embodiment of the present disclosure.
  • Figures 8a to 8d are diagrams comparing the matrix product state method with permutation and the matrix product state method without permutation for the NIST (Institute of Standards and Technology) dataset.
  • FIG. 8a is a diagram showing the Frobenius distance versus the bond dimension between quantum state data with permutations and quantum state data without permutations. As shown in FIG. 8a, it can be seen that the Frobenius distance is reduced as the bond dimension of the quantum state data with permutations is lower than that of the quantum state data without permutations. Through this, in the case of quantum state data with permutations, the truncation error is minimized as the bond dimension is lower, so that the raw image dataset can be accurately represented.
  • Fig. 8b is a diagram visually representing a raw image dataset corresponding to the number 0
  • Fig. 8c is a diagram visually representing quantum state data with permutations in the order of 2-dimensional, 4-dimensional, 6-dimensional, and 8-dimensional combination dimensions
  • Fig. 8d is a diagram visually representing quantum state data without permutations in the order of 2-dimensional, 4-dimensional, 6-dimensional, and 8-dimensional combination dimensions.
  • the quantum state data with permutations has a lower coupling dimension than the quantum state data without permutations, thereby minimizing truncation errors and enabling a visual and accurate representation of the raw image dataset.
  • FIGS. 9A to 9D are diagrams showing quantum state data of clothing image samples depending on whether qubit mapping is performed according to an embodiment of the present disclosure.
  • Figures 9a to 9d are diagrams comparing the Matrix Product State method with permutation and the Matrix Product State method without permutation for the Fashion NIST (Institute of Standards and Technology) dataset.
  • FIG. 9a is a diagram showing the Frobenius distance versus the bond dimension between quantum state data with permutations and quantum state data without permutations. As shown in FIG. 9a, it can be seen that the Frobenius distance is reduced as the bond dimension of the quantum state data with permutations is lower than that of the quantum state data without permutations. Through this, in the case of quantum state data with permutations, the truncation error is minimized as the bond dimension is lower, so that the raw image dataset can be accurately represented.
  • FIG. 9b is a diagram visually representing a raw image dataset corresponding to clothing images
  • FIG. 9c is a diagram visually representing quantum state data with permutations in the order of 2-dimensional, 4-dimensional, 6-dimensional, and 8-dimensional combination dimensions
  • FIG. 9d is a diagram visually representing quantum state data without permutations in the order of 2-dimensional, 4-dimensional, 6-dimensional, and 8-dimensional combination dimensions.
  • the quantum state data with permutation has a lower coupling dimension than the quantum state data without permutation, thereby minimizing truncation errors and enabling a visual and accurate representation of the raw image dataset.
  • FIGS. 10A and 10B are diagrams showing quantum classification accuracy depending on whether qubit mapping is performed according to an embodiment of the present disclosure.
  • Figure 10a shows that when applied to a quantum classifier for the NIST (Institute of Standards and Technology) dataset, the accuracy of a quantum classifier that learned quantum state data with permutations was higher than the accuracy of a quantum classifier that learned quantum state data without permutations.
  • quantum classifiers trained on quantum state data with permutations show superior performance at low coupling dimensions.
  • Figure 10b shows that when applied to a quantum classifier for the Fashion NIST (Institute of Standards and Technology) dataset, the accuracy of a quantum classifier trained on quantum state data with permutations is higher than that of a quantum classifier trained on quantum state data without permutations.
  • quantum classifiers trained on quantum state data with permutations show superior performance as the joint dimensionality decreases.
  • FIG. 11 is a diagram for explaining a qubit mapping method of a qubit mapping device according to an embodiment of the present disclosure.
  • the present disclosure can convert input data for quantum computing into quantum state data consisting of n qubits (S10).
  • the present disclosure can set a coupling dimension to be compressed by analyzing the quantum state data when the input data is converted into quantum state data.
  • the present disclosure can set the coupling dimension to a lower dimension than the dimension of the quantum state data.
  • the present disclosure can compress and reduce the dimension of quantum state data (S20).
  • the present disclosure can compress quantum state data by reconstructing the reconstructed quantum state data into a plurality of matrices, and reducing the size of the decomposed matrices to a preset bond dimension.
  • the present disclosure can reconstruct quantum state data into an array structure consisting of [2X, len(a)/2X] (where X is a coupling dimension, len(a) is a length of quantum state data a, and a is quantum state data having qubits of (a 1 , a 2 , ...., a 2 n )).
  • the present disclosure can decompose quantum state data into three matrices U, ⁇ , V + (wherein, U is an m ⁇ m orthogonal matrix, ⁇ is an m ⁇ n dimensional diagonal matrix, and V + is an n ⁇ n dimensional orthogonal matrix) based on the SVD (Singular Value Decomposition) algorithm.
  • U is an m ⁇ m orthogonal matrix
  • ⁇ is an m ⁇ n dimensional diagonal matrix
  • V + is an n ⁇ n dimensional orthogonal matrix
  • the present disclosure can iteratively prune the singular values of each decomposed matrix until a preset joint dimension is reached.
  • the present disclosure determines whether to terminate the iteration of a process of adding one of a plurality of matrices reduced to a combined dimension to a factor list in an array structure of quantum state data, flattening the remaining matrices to generate new quantum state data, and compressing the quantum state data by reducing the dimension based on the length of the new quantum state data, and if the iteration of the process of compressing the quantum state data by reducing the dimension is terminated, the final factor list in the array structure of the quantum state data can be returned.
  • the present disclosure may terminate the iteration of the process of compressing by reducing the dimension of the quantum state data if the length of the new quantum state data is greater than 2X (where X is the coupling dimension), and may repeat the process of compressing by reducing the dimension of the quantum state data if the length of the new quantum state data is 2X or less.
  • the present disclosure can reconstruct quantum state data by changing the qubit order of compressed quantum state data into multiple combinations (S30).
  • the present disclosure calculates the number of qubits for generating a qubit order combination from qubits of compressed quantum state data, changes the qubit order based on the calculated number of qubits to generate a plurality of qubit order combinations, and can reconstruct the quantum state data for each qubit order combination.
  • the present disclosure can calculate the number of qubits x for generating a qubit order combination from a formula consisting of [log 2 X] + 1 (where X is a coupling dimension).
  • the present disclosure can calculate an error value of quantum state data corresponding to each qubit order combination (S40).
  • the present disclosure can calculate a partial truncation error value from quantum state data corresponding to each qubit order combination, and obtain the calculated partial truncation error value for each qubit order combination.
  • the present disclosure can calculate a partial truncation error for l of each qubit order combination (n, x) (where n is the number of qubits, x is the number of qubits for generating the qubit order combination, and l is the qubit order combination), and add (error, l) to a min-heap to calculate an error value of the quantum state data.
  • the present disclosure can extract and output quantum state data of a qubit order combination having the smallest error value among the generated error values (S50).
  • the present disclosure extracts a qubit order combination having the smallest error value based on error values of the qubit order combination, verifies whether the length of the qubit order combination having the smallest error value satisfies a preset length condition, and if the length of the qubit order combination having the smallest error value satisfies the preset length condition, the qubit order combination satisfying the preset length condition can be determined as an optimal permutation and output.
  • the present disclosure can repeatedly perform the process of generating a new qubit order combination l2 by adding an index that is not included in the qubit order combination with the smallest error value to the qubit order combination with the smallest error value if the length of the qubit order combination with the smallest error value does not satisfy the preset length condition, calculating a truncation error for the new qubit order combination l2, and calculating an error value of the quantum state data by adding (error, l2) to a min-heap.
  • the present disclosure can minimize information loss occurring in the process of inputting information into a quantum computer, and improve encoding efficiency and accuracy by reducing the dimensionality of quantum state data, compressing it, and extracting and outputting quantum state data of a combination of qubit orders having the smallest error value from the compressed quantum state data.
  • the present disclosure can minimize truncation errors and significantly improve encoding efficiency and accuracy by optimizing qubit mapping compared to conventional simple encoding methods.
  • the present disclosure can perform high-accuracy quantum state encoding using qubit permutation for various datasets, since it can minimize truncation errors of matrix multiplication states through qubit permutation.
  • the present disclosure can increase efficiency by reducing the search space by exploiting the symmetry of the search space and finding the optimal qubit mapping within a practical time.
  • the present disclosure can improve the performance of a quantum classifier and increase accuracy by applying it to a quantum classifier.
  • the above-described present disclosure can be implemented as a computer-readable code on a medium in which a program is recorded.
  • the computer-readable medium includes all kinds of recording devices in which data that can be read by a computer system is stored. Examples of the computer-readable medium include a hard disk drive (HDD), a solid state disk (SSD), a silicon disk drive (SDD), a ROM, a RAM, a CD-ROM, a magnetic tape, a floppy disk, an optical data storage device, and the like.
  • the computer may include a processor (180) of an artificial intelligence device.
  • the qubit mapping device has remarkable industrial applicability because it has the effect of minimizing information loss occurring in the process of inputting information into a quantum computer and improving encoding efficiency and accuracy.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Compression, Expansion, Code Conversion, And Decoders (AREA)

Abstract

양자 컴퓨팅 디바이스에 입력되는 입력 데이터의 큐비트 맵핑을 최적화하여 오류를 최소화시킬 수 있는 큐비트 맵핑 장치 및 방법에 관한 것으로, 양자 컴퓨팅을 위한 입력 데이터를 입력받는 입력부, 그리고 입력 데이터를 양자 상태 데이터로 인코딩하여 최적화하는 프로세서를 포함하고, 프로세서는, 입력 데이터를 n개의 큐비트로 이루어지는 양자 상태 데이터로 전환하고, 양자 상태 데이터의 차원(dimension)을 축소하여 압축하며, 압축된 양자 상태 데이터의 큐비트 순서를 복수의 조합으로 변경하여 양자 상태 데이터를 재구성하고, 각 큐비트 순서 조합에 상응하는 양자 상태 데이터의 오류값을 산출하며, 산출된 오류값들 중 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하여 출력할 수 있다.

Description

큐비트 맵핑 장치 및 방법
본 개시는, 양자 컴퓨팅 디바이스에 입력되는 입력 데이터의 큐비트 맵핑을 최적화하여 오류를 최소화시킬 수 있는 큐비트 맵핑 장치 및 방법에 관한 것이다.
일반적으로, 양자 컴퓨터는, 양자 역학의 원리에 따라 작동하는 큐비트에 정보를 저장하고 계산에 활용함으로써, 기존 컴퓨터와 전혀 다른 방식으로 정보를 처리하는 장치이다.
하지만, 양자 컴퓨터 연산의 기본 단위인 큐비트는, 쉽게 손상되어 오류를 발생시키는 특징이 있다.
그러므로, 양자 컴퓨터에 정보를 입력하는 과정에서 필요한 연산량이 매우 많을 경우, 노이즈 증가로 인하여 양자 컴퓨팅에 필요한 정보 손실이 증가하는 문제가 있었다.
이처럼, 양자 컴퓨터에 정보를 입력하는 과정에서 발생하는 정보 손실은, 실용적인 양자 컴퓨터의 구현을 불가능하게 하는 중대한 장애물일 수 있다.
따라서, 향후, 양자 컴퓨터에 정보를 입력하는 과정에서 발생하는 정보 손실이 최소화되도록 입력 데이터의 큐비트 맵핑을 최적화할 수 있는 큐비트 맵핑 장치의 개발이 필요하다.
본 개시는, 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다.
본 개시는, 양자 상태 데이터의 차원을 축소하여 압축하고, 압축된 양자 상태 데이터로부터 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하여 출력함으로써, 양자 컴퓨터에 정보를 입력하는 과정에서 발생하는 정보 손실을 최소화하고, 인코딩 효율성 및 정확성을 향상시킬 수 있는 큐비트 맵핑 장치 및 방법의 제공을 목적으로 한다.
본 개시의 일 실시예에 따른 큐비트 맵핑 장치는, 양자 컴퓨팅을 위한 입력 데이터를 입력받는 입력부, 그리고 입력 데이터를 양자 상태 데이터로 인코딩하여 최적화하는 프로세서를 포함하고, 프로세서는, 입력 데이터를 n개의 큐비트로 이루어지는 양자 상태 데이터로 전환하고, 양자 상태 데이터의 차원(dimension)을 축소하여 압축하며, 압축된 양자 상태 데이터의 큐비트 순서를 복수의 조합으로 변경하여 양자 상태 데이터를 재구성하고, 각 큐비트 순서 조합에 상응하는 양자 상태 데이터의 오류값을 산출하며, 산출된 오류값들 중 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하여 출력할 수 있다.
본 개시의 일 실시예에 따른 큐비트 맵핑 방법은, 양자 컴퓨팅을 위한 입력 데이터를 양자 상태 데이터로 인코딩하여 최적화하는 큐비트 맵핑 장치의 큐비트 맵핑 방법으로서, 입력 데이터를 n개의 큐비트로 이루어지는 양자 상태 데이터로 전환하는 단계, 양자 상태 데이터의 차원(dimension)을 축소하여 압축하는 단계, 압축된 양자 상태 데이터의 큐비트 순서를 복수의 조합으로 변경하여 양자 상태 데이터를 재구성하는 단계, 각 큐비트 순서 조합에 상응하는 양자 상태 데이터의 오류값을 산출하는 단계, 및 산출된 오류값들 중 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하여 출력하는 단계를 포함할 수 있다.
본 개시의 일 실시예에 따르면, 큐비트 맵핑 장치는, 양자 상태 데이터의 차원을 축소하여 압축하고, 압축된 양자 상태 데이터로부터 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하여 출력함으로써, 양자 컴퓨터에 정보를 입력하는 과정에서 발생하는 정보 손실을 최소화하고, 인코딩 효율성 및 정확성을 향상시킬 수 있다.
또한, 본 개시는, 기존의 단순한 인코딩 방식에 비해 큐비트 맵핑을 최적화함으로써, 잘림 오류를 최소화하고, 인코딩 효율성과 정확성을 크게 향상시킬 수 있다.
본 개시는, 큐비트 순열을 통해 행렬 곱 상태의 잘림 오류를 최소화할 수 있으므로, 다양한 데이터셋에 대해 큐비트 순열을 사용하여 높은 정확도의 양자 상태 인코딩을 수행할 수 있다.
또한, 본 개시는, 탐색 공간의 대칭성을 활용하여 탐색 공간을 줄이고, 실용적인 시간 내에 최적의 큐비트 맵핑을 찾음으로써, 효율성을 높일 수 있다.
또한, 본 개시는, 양자 분류기에 적용함으로써, 양자 분류기의 성능을 향상시킬 수 있고, 정확도를 높일 수 있다.
도 1은, 본 개시의 일 실시 예에 따른 큐비트 맵핑 장치를 포함하는 양자 컴퓨팅 시스템을 설명하기 위한 도면이다.
도 2는, 본 개시의 일 실시 예에 따른 큐비트 맵핑 장치를 설명하기 위한 도면이다.
도 3 내지 도 5는, 본 개시의 일 실시 예에 따른 큐비트 맵핑 장치의 프로세서를 설명하기 위한 도면이다.
도 6 및 도 7은, 본 개시의 일 실시 예에 따른 큐비트 맵핑 실행 여부에 따른 양자 상태 데이터를 보여주는 도면이다.
도 8a 내지 도 8d는, 본 개시의 일 실시 예에 따른 큐비트 맵핑 실행 여부에 따른 숫자 이미지 샘플의 양자 상태 데이터를 보여주는 도면이다.
도 9a 내지 도 9d는, 본 개시의 일 실시 예에 따른 큐비트 맵핑 실행 여부에 따른 의류 이미지 샘플의 양자 상태 데이터를 보여주는 도면이다.
도 10a 및 도 10b는, 본 개시의 일 실시 예에 따른 큐비트 맵핑 실행 여부에 따른 양자 분류 정확도를 보여주는 도면이다.
도 11은, 본 개시의 일 실시 예에 따른 큐비트 맵핑 장치의 큐비트 맵핑 방법을 설명하기 위한 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 개시의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
도 1은, 본 개시의 일 실시 예에 따른 큐비트 맵핑 장치를 포함하는 양자 컴퓨팅 시스템을 설명하기 위한 도면이다.
도 1에 도시된 바와 같이, 본 개시의 양자 컴퓨팅 시스템은, 양자 컴퓨팅을 위한 입력 데이터를 양자 상태 데이터로 인코딩하여 최적화하는 큐비트 맵핑 장치(100)와, 최적화된 양자 상태 데이터를 입력받아 양자 컴퓨팅을 수행하는 양자 컴퓨팅 디바이스(200)를 포함할 수 있다.
여기서, 큐비트 맵핑 장치(100)는, 양자 컴퓨팅 디바이스(200)에 포함되는 일체형으로 구성될 수도 있고, 양자 컴퓨팅 디바이스(200)와 분리되는 분리형으로 구성될 수도 있다.
일 예로, 큐비트 맵핑 장치(100)는, 양자 컴퓨팅 디바이스(200)에 유선 또는 무선으로 통신 연결되어 최적화된 양자 상태 데이터를 제공할 수도 있다.
따라서, 큐비트 맵핑 장치(100)는, 유무선 통신 기술을 이용하여 복수의 양자 컴퓨팅 디바이스나 양자 컴퓨팅 서버 등의 외부 장치들과 데이터를 송수신할 수도 있다.
큐비트 맵핑 장치(100)는, 양자 컴퓨팅을 위한 입력 데이터를 입력받으면 입력 데이터를 양자 상태 데이터로 인코딩하여 최적화할 수 있다.
즉, 큐비트 맵핑 장치(100)는, 입력 데이터를 n개의 큐비트로 이루어지는 양자 상태 데이터로 전환하고, 양자 상태 데이터의 차원(dimension)을 축소하여 압축하며, 압축된 양자 상태 데이터의 큐비트 순서를 복수의 조합으로 변경하여 양자 상태 데이터를 재구성하고, 각 큐비트 순서 조합에 상응하는 양자 상태 데이터의 오류값을 산출하며, 산출된 오류값들 중 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하여 출력할 수 있다.
여기서, 큐비트 맵핑 장치(100)는, 양자 상태 데이터의 차원을 축소하여 압축할 때, 양자 상태 데이터를 재구성하고, 재구성된 양자 상태 데이터를 복수의 행렬로 분해하며, 분해된 행렬의 크기를 기설정된 결합 차원(bond dimension)으로 축소하여 압축할 수 있다.
이때, 큐비트 맵핑 장치(100)는, 양자 상태 데이터를 재구성할 때, 기설정된 결합 차원을 기반으로 양자 상태 데이터를 재구성할 수 있다.
일 예로, 큐비트 맵핑 장치(100)는, 양자 상태 데이터를 [2X, len(a)/2X] (여기서, X는 결합 차원이고, len(a)는 양자 상태 데이터 a의 길이이며, a는 (a1, a2, ...., a2 n)의 큐비트를 갖는 양자 상태 데이터임)로 이루어지는 배열 구조로 재구성할 수 있다.
또한, 큐비트 맵핑 장치(100)는, 복수의 행렬로 분해할 때, SVD(Singular Value Decomposition) 알고리즘을 기반으로 양자 상태 데이터를 3개의 행렬 U, ∧, V+ (여기서, U는 m×m 차원의 직교 행렬, ∧는 m×n 차원의 대각 행렬, V+는 n×n 차원의 직교 행렬임)로 분해할 수 있다.
또한, 큐비트 맵핑 장치(100)는, 분해된 행렬의 크기를 축소할 때, 기설정된 결합 차원에 도달할 때까지 분해된 각 행렬의 특이값들(singular values)을 반복적으로 잘라내는(truncate) 것을 수행할 수 있다.
또한, 큐비트 맵핑 장치(100)는, 결합 차원으로 축소된 복수의 행렬들 중 하나의 행렬을 양자 상태 데이터의 배열 구조 내 팩터 리스트(factor list)로 추가되고, 나머지 행렬들을 평탄화(flatten)하여 새로운 양자 상태 데이터를 생성하며, 새로운 양자 상태 데이터의 길이를 기반으로 양자 상태 데이터의 차원을 축소하여 압축하는 과정에 대한 반복 종료 여부를 결정하고, 양자 상태 데이터의 차원을 축소하여 압축하는 과정에 대한 반복 종료이면 양자 상태 데이터의 배열 구조 내 최종 팩터 리스트를 반환할 수 있다.
여기서, 큐비트 맵핑 장치(100)는, 새로운 양자 상태 데이터의 길이가 2X (여기서, X는 결합 차원임)보다 더 크면 양자 상태 데이터의 차원을 축소하여 압축하는 과정에 대한 반복을 종료하고, 새로운 양자 상태 데이터의 길이가 2X 이하이면 양자 상태 데이터의 차원을 축소하여 압축하는 과정을 반복 수행할 수 있다.
또한, 큐비트 맵핑 장치(100)는, 양자 상태 데이터를 재구성할 때, 압축된 양자 상태 데이터의 큐비트들로부터 큐비트 순서 조합 생성을 위한 큐비트 개수를 산출하고, 산출된 큐비트 개수를 기반으로 큐비트 순서를 변경하여 복수의 큐비트 순서 조합을 생성하며, 큐비트 순서 조합별로 양자 상태 데이터를 재구성할 수 있다.
여기서, 큐비트 맵핑 장치(100)는, 큐비트 순서 조합 생성을 위한 큐비트 개수를 산출할 때, [log2 X] + 1 (여기서, X는 결합 차원임)로 이루어지는 수식으로부터 큐비트 순서 조합 생성을 위한 큐비트 개수 x를 산출할 수 있다.
또한, 큐비트 맵핑 장치(100)는, 양자 상태 데이터의 오류값을 산출할 때, 각 큐비트 순서 조합에 상응하는 양자 상태 데이터로부터 부분 잘림 오류(partial truncation error)값을 산출하고, 산출된 부분 잘림 오류값을 큐비트 순서 조합별로 획득할 수 있다.
여기서, 큐비트 맵핑 장치(100)는, 각 큐비트 순서 조합 (n, x)의 l (여기서, n은 큐비트의 개수이고, x는 큐비트 순서 조합 생성을 위한 큐비트 개수이며, l은 큐비트 순서 조합임)에 대한 부분 잘림 오류를 산출하고, (오류, l)을 최소 힙(min-heap)에 추가하여 양자 상태 데이터의 오류값을 산출할 수 있다.
또한, 큐비트 맵핑 장치(100)는, 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출할 때, 큐비트 순서 조합의 오류값들을 기반으로 가장 작은 오류값을 갖는 큐비트 순서 조합을 추출하고, 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하는지를 확인하며, 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하면 기설정 길이 조건에 만족하는 큐비트 순서 조합을 최적의 순열로 판단하고 출력할 수 있다.
여기서, 큐비트 맵핑 장치(100)는, 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하는지를 확인할 때, len(l) = n - x (여기서, len(l)은 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이이고, n은 큐비트의 개수이며, x는 큐비트 순서 조합 생성을 위한 큐비트 개수임)으로 이루어지는 수식을 기반으로 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하는지를 확인할 수 있다.
이때, 큐비트 맵핑 장치(100)는, 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하는지를 확인할 때, 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하지 않으면 가장 작은 오류값을 갖는 큐비트 순서 조합에 포함되지 않는 인덱스(index)를 가장 작은 오류값을 갖는 큐비트 순서 조합에 추가하여 새로운 큐비트 순서 조합 l2을 생성하고, 새로운 큐비트 순서 조합 l2에 대한 잘림 오류(truncation error)를 산출하며, (오류, l2)을 최소 힙(min-heap)에 추가하여 양자 상태 데이터의 오류값을 산출하는 과정을 반복 수행할 수 있다.
한편, 양자 컴퓨팅 디바이스(200)는, TV, 프로젝터, 휴대폰, 스마트폰, 데스크탑 컴퓨터, 노트북, 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 태블릿 PC, 웨어러블 장치, 셋톱박스(STB), DMB 수신기, 라디오, 세탁기, 냉장고, 데스크탑 컴퓨터, 디지털 사이니지, 로봇, 차량 등과 같은, 고정형 기기 또는 이동 가능한 기기 등으로 구현될 수 있다.
양자 컴퓨팅 디바이스(200)는, 통신부, 입력부, 러닝 프로세서, 센싱부, 출력부, 메모리 및 프로세서 등을 포함할 수 있다.
통신부는, 유무선 통신 기술을 이용하여 다른 양자 컴퓨팅 디바이스나 양자 컴퓨팅 서버 등의 외부 장치들과 데이터를 송수신할 수 있다. 예컨대, 통신부는 외부 장치들과 센서 정보, 사용자 입력, 학습 모델, 제어 신호 등을 송수신할 수 있다.
이때, 통신부가 이용하는 통신 기술에는, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), LTE(Long Term Evolution), 5G, WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), 블루투스(Bluetooth쪠), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), ZigBee, NFC(Near Field Communication) 등이 있다.
입력부는, 다양한 종류의 데이터를 획득할 수 있다.
이때, 입력부는 영상 신호 입력을 위한 카메라, 오디오 신호를 수신하기 위한 마이크로폰, 사용자로부터 정보를 입력 받기 위한 사용자 입력부 등을 포함할 수 있다. 여기서, 카메라나 마이크로폰을 센서로 취급하여, 카메라나 마이크로폰으로부터 획득한 신호를 센싱 데이터 또는 센서 정보라고 할 수도 있다.
입력부는, 모델 학습을 위한 학습 데이터 및 학습 모델을 이용하여 출력을 획득할 때 사용될 입력 데이터 등을 획득할 수 있다. 입력부는, 가공되지 않은 입력 데이터를 획득할 수도 있으며, 이 경우 프로세서 또는 러닝 프로세서는, 입력 데이터에 대하여 전처리로써 입력 특징점(input feature)을 추출할 수 있다.
러닝 프로세서는, 학습 데이터를 이용하여 인공 신경망으로 구성된 모델을 학습시킬 수 있다. 여기서, 학습된 인공 신경망을 학습 모델이라 칭할 수 있다. 학습 모델은, 학습 데이터가 아닌 새로운 입력 데이터에 대하여 결과 값을 추론해 내는데 사용될 수 있고, 추론된 값은 어떠한 동작을 수행하기 위한 판단의 기초로 이용될 수 있다.
이때, 러닝 프로세서는, 양자 컴퓨팅 서버의 러닝 프로세서와 함께 AI 프로세싱을 수행할 수 있다.
이때, 러닝 프로세서는, 양자 컴퓨팅 디바이스(200)에 통합되거나 구현된 메모리를 포함할 수 있다. 또는, 러닝 프로세서는, 메모리, 양자 컴퓨팅 디바이스(200)에 직접 결합된 외부 메모리 또는 외부 장치에서 유지되는 메모리를 사용하여 구현될 수도 있다.
센싱부는, 다양한 센서들을 이용하여 양자 컴퓨팅 디바이스(200) 내부 정보, 양자 컴퓨팅 디바이스(200)의 주변 환경 정보 및 사용자 정보 중 적어도 하나를 획득할 수 있다.
이때, 센싱부에 포함되는 센서에는, 근접 센서, 조도 센서, 가속도 센서, 자기 센서, 자이로 센서, 관성 센서, RGB 센서, IR 센서, 지문 인식 센서, 초음파 센서, 광 센서, 마이크로폰, 라이다, 레이더 등이 있다.
출력부는, 시각, 청각 또는 촉각 등과 관련된 출력을 발생시킬 수 있다.
이때, 출력부에는, 시각 정보를 출력하는 디스플레이부, 청각 정보를 출력하는 스피커, 촉각 정보를 출력하는 햅틱 모듈 등이 포함될 수 있다.
메모리는, 양자 컴퓨팅 디바이스(200)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 예컨대, 메모리는 입력부에서 획득한 입력 데이터, 학습 데이터, 학습 모델, 학습 히스토리 등을 저장할 수 있다.
프로세서는, 데이터 분석 알고리즘 또는 머신 러닝 알고리즘을 사용하여 결정되거나 생성된 정보에 기초하여, 양자 컴퓨팅 디바이스(200)의 적어도 하나의 실행 가능한 동작을 결정할 수 있다. 그리고, 프로세서는, 양자 컴퓨팅 디바이스(200)의 구성 요소들을 제어하여 결정된 동작을 수행할 수 있다.
이를 위해, 프로세서는, 러닝 프로세서 또는 메모리의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 양자 컴퓨팅 디바이스(200)의 구성 요소들을 제어할 수 있다.
이때, 프로세서는, 결정된 동작을 수행하기 위하여 외부 장치의 연계가 필요한 경우, 해당 외부 장치를 제어하기 위한 제어 신호를 생성하고, 생성한 제어 신호를 해당 외부 장치에 전송할 수 있다.
프로세서는, 사용자 입력에 대하여 의도 정보를 획득하고, 획득한 의도 정보에 기초하여 사용자의 요구 사항을 결정할 수 있다.
이때, 프로세서는, 음성 입력을 문자열로 변환하기 위한 STT(Speech To Text) 엔진 또는 자연어의 의도 정보를 획득하기 위한 자연어 처리(NLP: Natural Language Processing) 엔진 중에서 적어도 하나 이상을 이용하여, 사용자 입력에 상응하는 의도 정보를 획득할 수 있다.
이때, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 적어도 일부가 머신 러닝 알고리즘에 따라 학습된 인공 신경망으로 구성될 수 있다. 그리고, STT 엔진 또는 NLP 엔진 중에서 적어도 하나 이상은 러닝 프로세서에 의해 학습된 것이나, 양자 컴퓨팅 서버의 러닝 프로세서에 의해 학습된 것이거나, 또는 이들의 분산 처리에 의해 학습된 것일 수 있다.
프로세서는, 양자 컴퓨팅 디바이스(200)의 동작 내용이나 동작에 대한 사용자의 피드백 등을 포함하는 이력 정보를 수집하여 메모리 또는 러닝 프로세서에 저장하거나, 양자 컴퓨팅 서버 등의 외부 장치에 전송할 수 있다. 수집된 이력 정보는 학습 모델을 업데이트하는데 이용될 수 있다.
프로세서는, 메모리에 저장된 응용 프로그램을 구동하기 위하여, 양자 컴퓨팅 디바이스(200)의 구성 요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서는, 상기 응용 프로그램의 구동을 위하여, 양자 컴퓨팅 디바이스(200)에 포함된 구성 요소들 중 둘 이상을 서로 조합하여 동작시킬 수 있다.
도 2는, 본 개시의 일 실시 예에 따른 큐비트 맵핑 장치를 설명하기 위한 도면이다.
도 2에 도시된 바와 같이, 본 개시의 큐비트 맵핑 장치(100)는, 양자 컴퓨팅을 위한 입력 데이터를 입력받는 입력부(110), 입력 데이터를 양자 상태 데이터로 인코딩하여 최적화하는 프로세서(120), 그리고 행렬 곱 상태(Matrix Product State) 기반으로 양자 상태 데이터의 차원을 축소할 수 있는 제1 알고리즘과 행렬 곱 상태 기반으로 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출할 수 있는 제2 알고리즘을 저장하는 메모리(130)를 포함할 수 있다.
경우에 따라, 본 개시의 큐비트 맵핑 장치(100)는, 유무선 통신 기술을 이용하여 다른 양자 컴퓨팅 디바이스나 양자 컴퓨팅 서버 등의 외부 장치들과 데이터를 송수신할 수 있는 통신부를 더 포함할 수도 있다.
그리고, 입력부(110)는, 저차원에서 고차원까지 다양한 종류의 입력 데이터를 획득할 수 있다.
이어, 프로세서(120)는, 입력 데이터를 n개의 큐비트로 이루어지는 양자 상태 데이터로 전환하고, 양자 상태 데이터의 차원(dimension)을 축소하여 압축하며, 압축된 양자 상태 데이터의 큐비트 순서를 복수의 조합으로 변경하여 양자 상태 데이터를 재구성하고, 각 큐비트 순서 조합에 상응하는 양자 상태 데이터의 오류값을 산출하며, 산출된 오류값들 중 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하여 출력할 수 있다.
일 예로, 프로세서(120)는, 입력 데이터에 상응하는 양자 상태 데이터에 대해 제1 알고리즘으로 양자 상태 데이터의 차원을 축소하여 압축하는 과정만을 수행하는 제1 방식, 제2 알고리즘으로 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하는 과정만을 수행하는 제2 방식, 제1 방식과 제2 방식을 함께 수행하는 제3 방식 중 어느 하나를 선택하여 수행할 수 있다.
여기서, 프로세서(120)는, 제3 방식을 수행할 때, 제1 방식을 수행한 후에 제1 방식의 제1 결과물을 기반으로 제2 방식을 연속적으로 수행하여 제2 방식의 제2 결과물을 양자 컴퓨팅을 수행하는 디바이스로 출력하는 직렬 방식으로 수행할 수 있다.
경우에 따라, 프로세서(120)는, 제3 방식을 수행할 때, 제1 방식과 제2 방식을 동시에 수행하여 제1 방식의 제1 결과물과 제2 방식의 제2 결과물 중 적어도 어느 하나를 양자 컴퓨팅을 수행하는 디바이스로 출력하는 병렬 방식으로 수행할 수도 있다.
그리고, 프로세서(120)는, 양자 상태 데이터의 차원을 축소하여 압축할 때, 양자 상태 데이터를 재구성하고, 재구성된 양자 상태 데이터를 복수의 행렬로 분해하며, 분해된 행렬의 크기를 기설정된 결합 차원(bond dimension)으로 축소하여 압축할 수 있다.
여기서, 프로세서(120)는, 양자 상태 데이터를 [2X, len(a)/2X] (여기서, X는 결합 차원이고, len(a)는 양자 상태 데이터 a의 길이이며, a는 (a1, a2, ...., a2 n)의 큐비트를 갖는 양자 상태 데이터임)로 이루어지는 배열 구조로 재구성할 수 있다.
이어, 프로세서(120)는, 복수의 행렬로 분해할 때, SVD(Singular Value Decomposition) 알고리즘을 기반으로 양자 상태 데이터를 3개의 행렬 U, ∧, V+ (여기서, U는 m×m 차원의 직교 행렬, ∧는 m×n 차원의 대각 행렬, V+는 n×n 차원의 직교 행렬임)로 분해할 수 있다.
다음, 프로세서(120)는, 분해된 행렬의 크기를 축소할 때, 기설정된 결합 차원에 도달할 때까지 분해된 각 행렬의 특이값들(singular values)을 반복적으로 잘라(truncate)낼 수 있다.
그리고, 프로세서(120)는, 결합 차원으로 축소된 복수의 행렬들 중 하나의 행렬을 양자 상태 데이터의 배열 구조 내 팩터 리스트(factor list)로 추가되고, 나머지 행렬들을 평탄화(flatten)하여 새로운 양자 상태 데이터를 생성하며, 새로운 양자 상태 데이터의 길이를 기반으로 양자 상태 데이터의 차원을 축소하여 압축하는 과정에 대한 반복 종료 여부를 결정하고, 양자 상태 데이터의 차원을 축소하여 압축하는 과정에 대한 반복 종료이면 양자 상태 데이터의 배열 구조 내 최종 팩터 리스트를 반환할 수 있다.
이어, 프로세서(120)는, 새로운 양자 상태 데이터의 길이가 2X (여기서, X는 결합 차원임)보다 더 크면 양자 상태 데이터의 차원을 축소하여 압축하는 과정에 대한 반복을 종료하고, 새로운 양자 상태 데이터의 길이가 2X 이하이면 양자 상태 데이터의 차원을 축소하여 압축하는 과정을 반복 수행할 수 있다.
또한, 프로세서(120)는, 입력 데이터가 양자 상태 데이터로 전환되면 양자 상태 데이터를 분석하여 압축하고자 하는 결합 차원을 설정할 수 있다.
여기서, 프로세서(120)는, 결합 차원을 설정할 때, 양자 상태 데이터가 가지는 차원보다 더 낮은 저차원으로 결합 차원을 설정할 수 있다.
즉, 프로세서(120)는, 결합 차원을 설정할 때, 양자 컴퓨팅을 수행하는 디바이스의 성능을 기반으로 결합 차원의 저차원 레벨 정도를 결정할 수 있다.
일 예로, 프로세서(120)는, 양자 컴퓨팅을 수행하는 디바이스의 성능이 높을수록 양자 상태 데이터의 차원과 결합 차원 사이의 레벨 차이가 커지도록 결합 차원을 설정하고, 양자 컴퓨팅을 수행하는 디바이스의 성능이 낮을수록 양자 상태 데이터의 차원과 결합 차원 사이의 레벨 차이가 작아지도록 결합 차원을 설정할 수 있다.
다음, 프로세서(120)는, 양자 상태 데이터를 재구성할 때, 압축된 양자 상태 데이터의 큐비트들로부터 큐비트 순서 조합 생성을 위한 큐비트 개수를 산출하고, 산출된 큐비트 개수를 기반으로 큐비트 순서를 변경하여 복수의 큐비트 순서 조합을 생성하며, 큐비트 순서 조합별로 양자 상태 데이터를 재구성할 수 있다.
여기서, 프로세서(1200는, 큐비트 순서 조합 생성을 위한 큐비트 개수를 산출할 때, [log2 X] + 1 (여기서, X는 결합 차원임)로 이루어지는 수식으로부터 큐비트 순서 조합 생성을 위한 큐비트 개수 x를 산출할 수 있다.
이어, 프로세서(120)는, 양자 상태 데이터의 오류값을 산출할 때, 각 큐비트 순서 조합에 상응하는 양자 상태 데이터로부터 부분 잘림 오류(partial truncation error)값을 산출하고, 산출된 부분 잘림 오류값을 큐비트 순서 조합별로 획득할 수 있다.
그리고, 프로세서(120)는, 각 큐비트 순서 조합 (n, x)의 l (여기서, n은 큐비트의 개수이고, x는 큐비트 순서 조합 생성을 위한 큐비트 개수이며, l은 큐비트 순서 조합임)에 대한 부분 잘림 오류를 산출하고, (오류, l)을 최소 힙(min-heap)에 추가하여 양자 상태 데이터의 오류값을 산출할 수 있다.
다음, 프로세서(120)는, 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출할 때, 큐비트 순서 조합의 오류값들을 기반으로 가장 작은 오류값을 갖는 큐비트 순서 조합을 추출하고, 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하는지를 확인하며, 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하면 기설정 길이 조건에 만족하는 큐비트 순서 조합을 최적의 순열로 판단하고 출력할 수 있다.
여기서, 프로세서(120)는, 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하는지를 확인할 때, len(l) = n - x (여기서, len(l)은 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이이고, n은 큐비트의 개수이며, x는 큐비트 순서 조합 생성을 위한 큐비트 개수임)으로 이루어지는 수식을 기반으로 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하는지를 확인할 수 있다.
또한, 프로세서(120)는, 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하는지를 확인할 때, 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하지 않으면 가장 작은 오류값을 갖는 큐비트 순서 조합에 포함되지 않는 인덱스(index)를 가장 작은 오류값을 갖는 큐비트 순서 조합에 추가하여 새로운 큐비트 순서 조합 l2을 생성하고, 새로운 큐비트 순서 조합 l2에 대한 잘림 오류(truncation error)를 산출하며, (오류, l2)을 최소 힙(min-heap)에 추가하여 양자 상태 데이터의 오류값을 산출하는 과정을 반복 수행할 수 있다.
이와 같이, 본 개시의 큐비트 맵핑 장치는, 양자 상태 데이터의 차원을 축소하여 압축하고, 압축된 양자 상태 데이터로부터 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하여 출력함으로써, 양자 컴퓨터에 정보를 입력하는 과정에서 발생하는 정보 손실을 최소화하고, 인코딩 효율성 및 정확성을 향상시킬 수 있다.
도 3 내지 도 5는, 본 개시의 일 실시 예에 따른 큐비트 맵핑 장치의 프로세서를 설명하기 위한 도면이다.
도 3에 도시된 바와 같이, 큐비트 맵핑 장치의 프로세서(120)는, 양자 상태 데이터의 차원을 축소하여 압축하는 인코딩부(122)와, 인코딩부(122)로부터 압축된 양자 상태 데이터로부터 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하여 출력하는 최적화부(124)를 포함할 수 있다.
여기서, 인코딩부(122)는, 행렬 곱 상태(Matrix Product State) 기반의 제1 알고리즘으로 양자 상태 데이터의 차원을 축소하여 압축하는 과정을 수행할 수 있다.
그리고, 최적화부(124)는, 행렬 곱 상태(Matrix Product State) 기반의 제2 알고리즘으로 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하여 출력하는 과정을 수행할 수 있다.
일 예로, 큐비트 맵핑 장치의 프로세서(120)는, 입력 데이터에 상응하는 양자 상태 데이터에 대해 제1 알고리즘으로 양자 상태 데이터의 차원을 축소하여 압축하는 과정만을 수행할 수 있다.
즉, 큐비트 맵핑 장치의 프로세서(120)는, 입력 데이터를 양자 상태 데이터로 인코딩할 때, 양자 상태 데이터의 손실이 적을 경우, 인코딩부(122)를 통해 제1 알고리즘으로 양자 상태 데이터의 차원을 축소하여 압축하는 과정만을 수행할 수 있다.
다른 일 예로, 큐비트 맵핑 장치의 프로세서(120)는, 입력 데이터에 상응하는 양자 상태 데이터에 대해 제2 알고리즘으로 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하는 과정만을 수행할 수도 있다.
즉, 큐비트 맵핑 장치의 프로세서(120)는, 입력 데이터를 양자 상태 데이터로 최적화할 때, 양자 상태 데이터의 손실 최소화 및 최적화 효율화를 위하여, 최적화부(124)를 통해 제2 알고리즘으로 양자 상태 데이터로부터 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하는 과정만을 수행할 수도 있다.
또 다른 일 예로, 큐비트 맵핑 장치의 프로세서(120)는, 입력 데이터에 상응하는 양자 상태 데이터에 대해 제1 알고리즘으로 양자 상태 데이터의 차원을 축소하여 압축하는 제1 과정과, 압축된 입력 데이터에 상응하는 양자 상태 데이터에 대해 제2 알고리즘으로 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하는 제2 과정을 함께 수행할 수도 있다.
즉, 큐비트 맵핑 장치의 프로세서(120)는, 입력 데이터를 양자 상태 데이터로 인코딩 및 최적화할 때, 고차원의 양자 상태 데이터가 데이터 손실이 많을 경우, 인코딩부(122)를 통해 제1 알고리즘으로 양자 상태 데이터의 차원을 축소하여 압축하는 제1 과정과, 최적화부(124)를 통해 제2 알고리즘으로 양자 상태 데이터로부터 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하는 제2 과정을 함께 수행할 수 있다.
여기서, 큐비트 맵핑 장치의 프로세서(120)는, 인코딩부(122)를 통해 제1 알고리즘으로 양자 상태 데이터의 차원을 축소하여 압축하는 제1 과정과, 최적화부(124)를 통해 제2 알고리즘으로 양자 상태 데이터로부터 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하는 제2 과정을 함께 수행할 때, 직렬 방식 또는 병렬 방식으로 수행할 수도 있다.
도 4에 도시된 바와 같이, 큐비트 맵핑 장치의 프로세서(120)는, 직렬 방식으로서, 인코딩부(122)를 통해 제1 알고리즘으로 양자 상태 데이터의 차원을 축소하여 압축하는 제1 과정을 수행한 후에 제1 과정의 제1 결과물을 기반으로 최적화부(124)로 전송하고, 제1 과정의 제1 결과물을 기반으로 최적화부(124)를 통해 제2 알고리즘으로 양자 상태 데이터로부터 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하는 제2 과정을 연속적으로 수행한 다음, 제2 과정의 제2 결과물을 양자 컴퓨팅을 수행하는 양자 컴퓨팅 디바이스(200)로 출력할 수 있다.
경우에 따라, 도 5에 도시된 바와 같이, 큐비트 맵핑 장치의 프로세서(120)는, 병렬 방식으로서, 인코딩부(122)를 통해 제1 알고리즘으로 양자 상태 데이터의 차원을 축소하여 압축하는 제1 과정과, 최적화부(124)를 통해 제2 알고리즘으로 양자 상태 데이터로부터 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하는 제2 과정을 동시에 수행하고, 선택부(126)를 통해 제1 과정의 제1 결과물과 제2 과정의 제2 결과물 중 적어도 어느 하나를 양자 컴퓨팅을 수행하는 양자 컴퓨팅 디바이스(200)로 출력할 수도 있다.
도 5의 병렬 방식은, 제1 알고리즘으로 양자 상태 데이터의 차원을 축소하여 압축하는 제1 과정과, 제2 알고리즘으로 양자 상태 데이터로부터 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하는 제2 과정을 동시에 수행함으로써, 연산 속도가 빠르고 효율적으로 입력 데이터를 처리할 수 있다.
도 6 및 도 7은, 본 개시의 일 실시 예에 따른 큐비트 맵핑 실행 여부에 따른 양자 상태 데이터를 보여주는 도면이다.
도 6은, 큐비트 맵핑 실행을 수행하지 않은 경우의 양자 상태 데이터를 보여주는 도면이고, 도 7은, 큐비트 맵핑 실행을 수행한 경우의 양자 상태 데이터를 보여주는 도면이다.
도 6에 도시된 바와 같이, 숫자 0 이미지에 대한 제1 입력 데이터(11)를 저차원의 양자 상태 데이터로 인코딩할 경우, 숫자 0 이미지에 대한 제1 양자 상태 데이터(21)에 대한 잘림 오류(truncation error)로 인하여 정확성이 저하될 수 있다.
또한, 의류 이미지에 대한 제2 입력 데이터(12)를 저차원의 양자 상태 데이터로 인코딩할 경우, 의류 이미지에 대한 제2 양자 상태 데이터(22)에 대한 잘림 오류로 인하여 정확성이 저하될 수 있다.
이에 비해, 도 7에 도시된 바와 같이, 숫자 0 이미지에 대한 제1 입력 데이터(11)를 저차원의 양자 상태 데이터로 인코딩하고 큐비트 맵핑(31)을 수행할 경우, 숫자 0 이미지에 대한 제1 양자 상태 데이터(21)에 대한 잘림 오류(truncation error)가 최소화되어 정확성이 향상될 수 있다.
또한, 의류 이미지에 대한 제2 입력 데이터(12)를 저차원의 양자 상태 데이터로 인코딩하고 큐비트 맵핑(32)을 수행할 경우, 의류 이미지에 대한 제2 양자 상태 데이터(32)에 대한 잘림 오류가 최소화되어 정확성이 향상될 수 있다.
도 8a 내지 도 8d는, 본 개시의 일 실시 예에 따른 큐비트 맵핑 실행 여부에 따른 숫자 이미지 샘플의 양자 상태 데이터를 보여주는 도면이다.
도 8a 내지 도 8d는, NIST(Institute of Standards and Technology) 데이터셋에 대한 순열(permutation)이 있는 행렬 곱 상태(Matrix Product State) 방식과 순열(permutation)이 없는 행렬 곱 상태 방식을 비교한 도면이다.
도 8a는, 순열이 있는 양자 상태 데이터와 순열이 없는 양자 상태 데이터 사이의 결합 차원(bond dimension) 대비 프로베니우스 거리(frobenius distance)를 보여주는 도면으로서, 도 8a에 도시된 바와 같이, 순열이 있는 양자 상태 데이터는, 순열이 없는 양자 상태 데이터에 비해 결합 차원이 낮을수록 프로베니우스 거리가 줄어드는 것을 알 수 있으며, 이를 통해 순열이 있는 양자 상태 데이터의 경우, 결합 차원이 낮을수록 절단 오류가 최소화되어 원시 이미지 데이터셋을 정확하게 표현할 수 있다.
도 8b는, 숫자 0에 상응하는 원시 이미지 데이터셋을 시각적으로 표현한 도면이고, 도 8c는, 순열이 있는 양자 상태 데이터를 결합 차원별 2차원, 4차원, 6차원, 그리고 8차원 순서대로 시각적으로 표현한 도면이며, 도 8d는, 순열이 없는 양자 상태 데이터를 결합 차원별 2차원, 4차원, 6차원, 그리고 8차원 순서대로 시각적으로 표현한 도면이다.
도 8c 및 도 8d에 도시된 바와 같이, 순열이 있는 양자 상태 데이터는, 순열이 없는 양자 상태 데이터에 비해 결합 차원이 낮을수록 절단 오류가 최소화되어 원시 이미지 데이터셋을 시각적으로 정확하게 표현할 수 있다.
도 9a 내지 도 9d는, 본 개시의 일 실시 예에 따른 큐비트 맵핑 실행 여부에 따른 의류 이미지 샘플의 양자 상태 데이터를 보여주는 도면이다.
도 9a 내지 도 9d는, 패션 NIST(Institute of Standards and Technology) 데이터셋에 대한 순열(permutation)이 있는 행렬 곱 상태(Matrix Product State) 방식과 순열(permutation)이 없는 행렬 곱 상태 방식을 비교한 도면이다.
도 9a는, 순열이 있는 양자 상태 데이터와 순열이 없는 양자 상태 데이터 사이의 결합 차원(bond dimension) 대비 프로베니우스 거리(frobenius distance)를 보여주는 도면으로서, 도 9a에 도시된 바와 같이, 순열이 있는 양자 상태 데이터는, 순열이 없는 양자 상태 데이터에 비해 결합 차원이 낮을수록 프로베니우스 거리가 줄어드는 것을 알 수 있으며, 이를 통해 순열이 있는 양자 상태 데이터의 경우, 결합 차원이 낮을수록 절단 오류가 최소화되어 원시 이미지 데이터셋을 정확하게 표현할 수 있다.
도 9b는, 의류 이미지에 상응하는 원시 이미지 데이터셋을 시각적으로 표현한 도면이고, 도 9c는, 순열이 있는 양자 상태 데이터를 결합 차원별 2차원, 4차원, 6차원, 그리고 8차원 순서대로 시각적으로 표현한 도면이며, 도 9d는, 순열이 없는 양자 상태 데이터를 결합 차원별 2차원, 4차원, 6차원, 그리고 8차원 순서대로 시각적으로 표현한 도면이다.
도 9c 및 도 9d에 도시된 바와 같이, 순열이 있는 양자 상태 데이터는, 순열이 없는 양자 상태 데이터에 비해 결합 차원이 낮을수록 절단 오류가 최소화되어 원시 이미지 데이터셋을 시각적으로 정확하게 표현할 수 있다.
도 10a 및 도 10b는, 본 개시의 일 실시 예에 따른 큐비트 맵핑 실행 여부에 따른 양자 분류 정확도를 보여주는 도면이다.
도 10a은, NIST(Institute of Standards and Technology) 데이터셋에 대해 양자 분류기에 적용한 경우, 순열이 있는 양자 상태 데이터를 학습한 양자 분류기의 정확도가 순열이 없는 양자 상태 데이터를 학습한 양자 분류기의 정확도보다 더 높은 것을 알 수 있다.
특히, 순열이 있는 양자 상태 데이터를 학습한 양자 분류기는, 낮은 결합 차원에서, 우수한 성능을 보여준다.
도 10b은, 패션 NIST(Institute of Standards and Technology) 데이터셋에 대해 양자 분류기에 적용한 경우, 순열이 있는 양자 상태 데이터를 학습한 양자 분류기의 정확도가 순열이 없는 양자 상태 데이터를 학습한 양자 분류기의 정확도보다 더 높은 것을 알 수 있다.
특히, 순열이 있는 양자 상태 데이터를 학습한 양자 분류기는, 결합 차원이 낮을수록 우수한 성능을 보여준다.
도 11은, 본 개시의 일 실시 예에 따른 큐비트 맵핑 장치의 큐비트 맵핑 방법을 설명하기 위한 도면이다.
도 11에 도시된 바와 같이, 본 개시는, 양자 컴퓨팅을 위한 입력 데이터가 입력되면 입력 데이터를 n개의 큐비트로 이루어지는 양자 상태 데이터로 전환할 수 있다(S10).
여기서, 본 개시는, 입력 데이터가 양자 상태 데이터로 전환되면 양자 상태 데이터를 분석하여 압축하고자 하는 결합 차원을 설정할 수 있다.
일 예로, 본 개시는, 양자 상태 데이터가 가지는 차원보다 더 낮은 저차원으로 결합 차원을 설정할 수 있다.
그리고, 본 개시는, 양자 상태 데이터의 차원(dimension)을 축소하여 압축할 수 있다(S20).
여기서, 본 개시는, 양자 상태 데이터를 재구성하고, 재구성된 양자 상태 데이터를 복수의 행렬로 분해하며, 분해된 행렬의 크기를 기설정된 결합 차원(bond dimension)으로 축소하여 압축할 수 있다.
일 예로, 본 개시는, 양자 상태 데이터를 [2X, len(a)/2X] (여기서, X는 결합 차원이고, len(a)는 양자 상태 데이터 a의 길이이며, a는 (a1, a2, ...., a2 n)의 큐비트를 갖는 양자 상태 데이터임)로 이루어지는 배열 구조로 재구성할 수 있다.
또한, 본 개시는, SVD(Singular Value Decomposition) 알고리즘을 기반으로 양자 상태 데이터를 3개의 행렬 U, ∧, V+ (여기서, U는 m×m 차원의 직교 행렬, ∧는 m×n 차원의 대각 행렬, V+는 n×n 차원의 직교 행렬임)로 분해할 수 있다.
또한, 본 개시는, 기설정된 결합 차원에 도달할 때까지 분해된 각 행렬의 특이값들(singular values)을 반복적으로 잘라낼 수 있다.
또한, 본 개시는, 결합 차원으로 축소된 복수의 행렬들 중 하나의 행렬을 양자 상태 데이터의 배열 구조 내 팩터 리스트(factor list)로 추가되고, 나머지 행렬들을 평탄화(flatten)하여 새로운 양자 상태 데이터를 생성하며, 새로운 양자 상태 데이터의 길이를 기반으로 양자 상태 데이터의 차원을 축소하여 압축하는 과정에 대한 반복 종료 여부를 결정하고, 양자 상태 데이터의 차원을 축소하여 압축하는 과정에 대한 반복 종료이면 양자 상태 데이터의 배열 구조 내 최종 팩터 리스트를 반환할 수 있다.
여기서, 본 개시는, 새로운 양자 상태 데이터의 길이가 2X (여기서, X는 결합 차원임)보다 더 크면 양자 상태 데이터의 차원을 축소하여 압축하는 과정에 대한 반복을 종료하고, 새로운 양자 상태 데이터의 길이가 2X 이하이면 양자 상태 데이터의 차원을 축소하여 압축하는 과정을 반복 수행할 수 있다.
이어, 본 개시는, 압축된 양자 상태 데이터의 큐비트 순서를 복수의 조합으로 변경하여 양자 상태 데이터를 재구성할 수 있다(S30).
여기서, 본 개시는, 압축된 양자 상태 데이터의 큐비트들로부터 큐비트 순서 조합 생성을 위한 큐비트 개수를 산출하고, 산출된 큐비트 개수를 기반으로 큐비트 순서를 변경하여 복수의 큐비트 순서 조합을 생성하며, 큐비트 순서 조합별로 양자 상태 데이터를 재구성할 수 있다.
일 예로, 본 개시는, [log2 X] + 1 (여기서, X는 결합 차원임)로 이루어지는 수식으로부터 큐비트 순서 조합 생성을 위한 큐비트 개수 x를 산출할 수 있다.
다음, 본 개시는, 각 큐비트 순서 조합에 상응하는 양자 상태 데이터의 오류값을 산출할 수 있다(S40).
여기서, 본 개시는, 각 큐비트 순서 조합에 상응하는 양자 상태 데이터로부터 부분 잘림 오류(partial truncation error)값을 산출하고, 산출된 부분 잘림 오류값을 큐비트 순서 조합별로 획득할 수 있다.
일 예로, 본 개시는, 각 큐비트 순서 조합 (n, x)의 l (여기서, n은 큐비트의 개수이고, x는 상기 큐비트 순서 조합 생성을 위한 큐비트 개수이며, l은 큐비트 순서 조합임)에 대한 부분 잘림 오류를 산출하고, (오류, l)을 최소 힙(min-heap)에 추가하여 양자 상태 데이터의 오류값을 산출할 수 있다.
그리고, 본 개시는, 산출된 오류값들 중 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하여 출력할 수 있다(S50).
여기서, 본 개시는, 큐비트 순서 조합의 오류값들을 기반으로 가장 작은 오류값을 갖는 큐비트 순서 조합을 추출하고, 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하는지를 확인하며, 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하면 기설정 길이 조건에 만족하는 큐비트 순서 조합을 최적의 순열로 판단하고 출력할 수 있다.
일 예로, 본 개시는, len(l) = n - x (여기서, len(l)은 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이이고, n은 큐비트의 개수이며, x는 큐비트 순서 조합 생성을 위한 큐비트 개수임)으로 이루어지는 수식을 기반으로 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하는지를 확인할 수 있다.
이때, 본 개시는, 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하지 않으면 가장 작은 오류값을 갖는 큐비트 순서 조합에 포함되지 않는 인덱스(index)를 가장 작은 오류값을 갖는 큐비트 순서 조합에 추가하여 새로운 큐비트 순서 조합 l2을 생성하고, 새로운 큐비트 순서 조합 l2에 대한 잘림 오류(truncation error)를 산출하며, (오류, l2)을 최소 힙(min-heap)에 추가하여 양자 상태 데이터의 오류값을 산출하는 과정을 반복 수행할 수 있다.
이와 같이, 본 개시는, 양자 상태 데이터의 차원을 축소하여 압축하고, 압축된 양자 상태 데이터로부터 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하여 출력함으로써, 양자 컴퓨터에 정보를 입력하는 과정에서 발생하는 정보 손실을 최소화하고, 인코딩 효율성 및 정확성을 향상시킬 수 있다.
또한, 본 개시는, 기존의 단순한 인코딩 방식에 비해 큐비트 맵핑을 최적화함으로써, 잘림 오류를 최소화하고, 인코딩 효율성과 정확성을 크게 향상시킬 수 있다.
본 개시는, 큐비트 순열을 통해 행렬 곱 상태의 잘림 오류를 최소화할 수 있으므로, 다양한 데이터셋에 대해 큐비트 순열을 사용하여 높은 정확도의 양자 상태 인코딩을 수행할 수 있다.
또한, 본 개시는, 탐색 공간의 대칭성을 활용하여 탐색 공간을 줄이고, 실용적인 시간 내에 최적의 큐비트 맵핑을 찾음으로써, 효율성을 높일 수 있다.
또한, 본 개시는, 양자 분류기에 적용함으로써, 양자 분류기의 성능을 향상시킬 수 있고, 정확도를 높일 수 있다.
전술한 본 개시는, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀 질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 인공 지능 기기의 프로세서(180)를 포함할 수도 있다.
본 개시에 따른 큐비트 맵핑 장치에 의하면, 양자 컴퓨터에 정보를 입력하는 과정에서 발생하는 정보 손실을 최소화하고, 인코딩 효율성 및 정확성을 향상시킬 수 있는 효과가 있으므로, 산업상 이용가능성이 현저하다.

Claims (15)

  1. 양자 컴퓨팅을 위한 입력 데이터를 입력받는 입력부; 그리고,
    상기 입력 데이터를 양자 상태 데이터로 인코딩하여 최적화하는 프로세서를 포함하고,
    상기 프로세서는,
    상기 입력 데이터를 n개의 큐비트로 이루어지는 양자 상태 데이터로 전환하고, 상기 양자 상태 데이터의 차원(dimension)을 축소하여 압축하며, 상기 압축된 양자 상태 데이터의 큐비트 순서를 복수의 조합으로 변경하여 상기 양자 상태 데이터를 재구성하고, 각 큐비트 순서 조합에 상응하는 양자 상태 데이터의 오류값을 산출하며, 상기 산출된 오류값들 중 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하여 출력하는 것을 특징으로 하는 큐비트 맵핑 장치.
  2. 제1 항에 있어서,
    상기 프로세서는,
    상기 양자 상태 데이터의 차원을 축소하여 압축할 때, 상기 양자 상태 데이터를 재구성하고, 상기 재구성된 양자 상태 데이터를 복수의 행렬로 분해하며, 상기 분해된 행렬의 크기를 기설정된 결합 차원(bond dimension)으로 축소하여 압축하는 것을 특징으로 하는 큐비트 맵핑 장치.
  3. 제2 항에 있어서,
    상기 프로세서는,
    상기 양자 상태 데이터를 [2X, len(a)/2X] (여기서, X는 결합 차원이고, len(a)는 양자 상태 데이터 a의 길이이며, a는 (a1, a2, ...., a2 n)의 큐비트를 갖는 양자 상태 데이터임)로 이루어지는 배열 구조로 재구성하는 것을 특징으로 하는 큐비트 맵핑 장치.
  4. 제2 항에 있어서,
    상기 프로세서는,
    상기 복수의 행렬로 분해할 때, SVD(Singular Value Decomposition) 알고리즘을 기반으로 상기 양자 상태 데이터를 3개의 행렬 U, ∧, V+ (여기서, U는 m×m 차원의 직교 행렬, ∧는 m×n 차원의 대각 행렬, V+는 n×n 차원의 직교 행렬임)로 분해하는 것을 특징으로 하는 큐비트 맵핑 장치.
  5. 제2 항에 있어서,
    상기 프로세서는,
    상기 분해된 행렬의 크기를 축소할 때, 상기 기설정된 결합 차원에 도달할 때까지 상기 분해된 각 행렬의 특이값들(singular values)을 반복적으로 잘라내는(truncate) 것을 특징으로 하는 큐비트 맵핑 장치.
  6. 제5 항에 있어서,
    상기 프로세서는,
    상기 결합 차원으로 축소된 복수의 행렬들 중 하나의 행렬을 상기 양자 상태 데이터의 배열 구조 내 팩터 리스트(factor list)로 추가되고, 나머지 행렬들을 평탄화(flatten)하여 새로운 양자 상태 데이터를 생성하며, 상기 새로운 양자 상태 데이터의 길이를 기반으로 상기 양자 상태 데이터의 차원을 축소하여 압축하는 과정에 대한 반복 종료 여부를 결정하고, 상기 양자 상태 데이터의 차원을 축소하여 압축하는 과정에 대한 반복 종료이면 상기 양자 상태 데이터의 배열 구조 내 최종 팩터 리스트를 반환하는 것을 특징으로 하는 큐비트 맵핑 장치.
  7. 제6 항에 있어서,
    상기 프로세서는,
    상기 새로운 양자 상태 데이터의 길이가 2X (여기서, X는 결합 차원임)보다 더 크면 상기 양자 상태 데이터의 차원을 축소하여 압축하는 과정에 대한 반복을 종료하고, 상기 새로운 양자 상태 데이터의 길이가 2X 이하이면 상기 양자 상태 데이터의 차원을 축소하여 압축하는 과정을 반복 수행하는 것을 특징으로 하는 큐비트 맵핑 장치.
  8. 제1 항에 있어서,
    상기 프로세서는,
    상기 양자 상태 데이터를 재구성할 때, 상기 압축된 양자 상태 데이터의 큐비트들로부터 상기 큐비트 순서 조합 생성을 위한 큐비트 개수를 산출하고, 상기 산출된 큐비트 개수를 기반으로 큐비트 순서를 변경하여 복수의 큐비트 순서 조합을 생성하며, 상기 큐비트 순서 조합별로 상기 양자 상태 데이터를 재구성하는 것을 특징으로 하는 큐비트 맵핑 장치.
  9. 제8 항에 있어서,
    상기 프로세서는,
    상기 큐비트 순서 조합 생성을 위한 큐비트 개수를 산출할 때, [log2 X] + 1 (여기서, X는 결합 차원임)로 이루어지는 수식으로부터 상기 큐비트 순서 조합 생성을 위한 큐비트 개수 x를 산출하는 것을 특징으로 하는 큐비트 맵핑 장치.
  10. 제1 항에 있어서,
    상기 프로세서는,
    상기 양자 상태 데이터의 오류값을 산출할 때, 상기 각 큐비트 순서 조합에 상응하는 양자 상태 데이터로부터 부분 잘림 오류(partial truncation error)값을 산출하고, 상기 산출된 부분 잘림 오류값을 상기 큐비트 순서 조합별로 획득하는 것을 특징으로 하는 큐비트 맵핑 장치.
  11. 제10 항에 있어서,
    상기 프로세서는,
    상기 각 큐비트 순서 조합 (n, x)의 l (여기서, n은 큐비트의 개수이고, x는 상기 큐비트 순서 조합 생성을 위한 큐비트 개수이며, l은 큐비트 순서 조합임)에 대한 부분 잘림 오류를 산출하고, (오류, l)을 최소 힙(min-heap)에 추가하여 상기 양자 상태 데이터의 오류값을 산출하는 것을 특징으로 하는 큐비트 맵핑 장치.
  12. 제1 항에 있어서,
    상기 프로세서는,
    상기 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출할 때, 상기 큐비트 순서 조합의 오류값들을 기반으로 상기 가장 작은 오류값을 갖는 큐비트 순서 조합을 추출하고, 상기 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하는지를 확인하며, 상기 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 상기 기설정 길이 조건에 만족하면 상기 기설정 길이 조건에 만족하는 큐비트 순서 조합을 최적의 순열로 판단하고 출력하는 것을 특징으로 하는 큐비트 맵핑 장치.
  13. 제12 항에 있어서,
    상기 프로세서는,
    상기 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하는지를 확인할 때, len(l) = n - x (여기서, len(l)은 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이이고, n은 큐비트의 개수이며, x는 상기 큐비트 순서 조합 생성을 위한 큐비트 개수임)으로 이루어지는 수식을 기반으로 상기 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하는지를 확인하는 것을 특징으로 하는 큐비트 맵핑 장치.
  14. 제12 항에 있어서,
    상기 프로세서는,
    상기 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 기설정 길이 조건에 만족하는지를 확인할 때, 상기 가장 작은 오류값을 갖는 큐비트 순서 조합의 길이가 상기 기설정 길이 조건에 만족하지 않으면 상기 가장 작은 오류값을 갖는 큐비트 순서 조합에 포함되지 않는 인덱스(index)를 상기 가장 작은 오류값을 갖는 큐비트 순서 조합에 추가하여 새로운 큐비트 순서 조합 l2을 생성하고, 상기 새로운 큐비트 순서 조합 l2에 대한 잘림 오류(truncation error)를 산출하며, (오류, l2)을 최소 힙(min-heap)에 추가하여 상기 양자 상태 데이터의 오류값을 산출하는 과정을 반복 수행하는 것을 특징으로 하는 큐비트 맵핑 장치.
  15. 양자 컴퓨팅을 위한 입력 데이터를 양자 상태 데이터로 인코딩하여 최적화하는 큐비트 맵핑 장치의 큐비트 맵핑 방법에 있어서,
    상기 입력 데이터를 n개의 큐비트로 이루어지는 양자 상태 데이터로 전환하는 단계;
    상기 양자 상태 데이터의 차원(dimension)을 축소하여 압축하는 단계;
    상기 압축된 양자 상태 데이터의 큐비트 순서를 복수의 조합으로 변경하여 상기 양자 상태 데이터를 재구성하는 단계;
    각 큐비트 순서 조합에 상응하는 양자 상태 데이터의 오류값을 산출하는 단계; 및
    상기 산출된 오류값들 중 가장 작은 오류값을 갖는 큐비트 순서 조합의 양자 상태 데이터를 추출하여 출력하는 단계를 포함하는 것을 특징으로 하는 큐비트 맵핑 방법.
PCT/KR2024/009963 2023-07-11 2024-07-11 큐비트 맵핑 장치 및 방법 Pending WO2025014307A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020267002438A KR20260040006A (ko) 2023-07-11 2024-07-11 큐비트 맵핑 장치 및 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20230090114 2023-07-11
KR10-2023-0090114 2023-07-11

Publications (1)

Publication Number Publication Date
WO2025014307A1 true WO2025014307A1 (ko) 2025-01-16

Family

ID=94215786

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2024/009963 Pending WO2025014307A1 (ko) 2023-07-11 2024-07-11 큐비트 맵핑 장치 및 방법

Country Status (2)

Country Link
KR (1) KR20260040006A (ko)
WO (1) WO2025014307A1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345310A (zh) * 2022-09-02 2022-11-15 中科酷原科技(武汉)有限公司 一种中性原子量子电路的量子比特映射方法和装置
KR20230046952A (ko) * 2021-09-30 2023-04-06 한국전자통신연구원 양자점 큐빗에 기반한 양자컴퓨팅 시스템 및 그 동작 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230046952A (ko) * 2021-09-30 2023-04-06 한국전자통신연구원 양자점 큐빗에 기반한 양자컴퓨팅 시스템 및 그 동작 방법
CN115345310A (zh) * 2022-09-02 2022-11-15 中科酷原科技(武汉)有限公司 一种中性原子量子电路的量子比特映射方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHIN-YI CHENG; CHIEN-YI YANG; REN-CHU WANG; YI-HSIANG KUO; HAO-CHUNG CHENG; CHUNG-YANG HUANG: "Qubit Mapping Toward Quantum Advantage", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 4 May 2023 (2023-05-04), US, XP091500707 *
JEON HYEONGJUN, LEE KYUNGMIN, LEE DONGKYU, KIM BONGSANG, KIM TAEHYUN: "Optimal qubit mapping search for encoding classical data into matrix product state representation with minimal loss", ARXIV.ORG, vol. 516, 12 June 2024 (2024-06-12), NL , pages 1 - 11, XP093261343, ISSN: 0375-9601, DOI: 10.1016/j.physleta.2024.129642 *
LEI LIU; XINGLEI DOU: "QuCloud+: A Holistic Qubit Mapping Scheme for Single/Multi-programming on 2D/3D NISQ Quantum Computers", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 29 July 2022 (2022-07-29), US, XP091282672 *
MANUEL S. RUDOLPH; JING CHEN; JACOB MILLER; ATITHI ACHARYA; ALEJANDRO PERDOMO-ORTIZ: "Decomposition of Matrix Product States into Shallow Quantum Circuits", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 1 September 2022 (2022-09-01), US, XP091307904 *

Also Published As

Publication number Publication date
KR20260040006A (ko) 2026-03-23

Similar Documents

Publication Publication Date Title
WO2020111647A1 (en) Multi-task based lifelong learning
WO2023167530A1 (en) Method for classifying images using novel classes
WO2014007586A1 (en) Apparatus and method for performing visual search
WO2021157897A1 (en) A system and method for efficient multi-relational entity understanding and retrieval
WO2024186177A1 (ko) 비전-언어 트랜스포머를 사전 훈련하는 방법 및 이를 통해 사전 훈련된 비전-언어 트랜스포머를 포함하는 인공지능 시스템
WO2024072001A1 (en) Apparatus and method for sharing and pruning weights for vision and language models
WO2024107035A1 (ko) 지식 증류를 통한 비전 트랜스포머 사전 훈련 방법 및 시스템, 이를 통해 사전 훈련된 비전 트랜스포머
WO2022139327A1 (en) Method and apparatus for detecting unsupported utterances in natural language understanding
WO2023191374A1 (ko) 구조식 이미지를 인식하는 인공 지능 장치 및 그 방법
WO2021015403A1 (en) Electronic apparatus and controlling method thereof
WO2022092440A1 (ko) 전자 장치 및 그 제어 방법
WO2021125521A1 (ko) 순차적 특징 데이터 이용한 행동 인식 방법 및 그를 위한 장치
WO2021230470A1 (ko) 전자 장치 및 그 제어 방법
WO2023182794A1 (ko) 검사 성능을 유지하기 위한 메모리 기반 비전 검사 장치 및 그 방법
CN116524532B (zh) 动作识别方法、装置、存储介质以及电子设备
WO2022244997A1 (en) Method and apparatus for processing data
WO2025014307A1 (ko) 큐비트 맵핑 장치 및 방법
WO2025095499A1 (ko) 양자 어닐링 기반 신규 소재 탐색 장치 및 방법
WO2022086063A1 (ko) 소셜 네트워크 서비스 계정의 스타일 정보를 산출하는 방법 및 장치
WO2025053571A1 (en) Local image and scene editing by text instructions
WO2021246645A1 (ko) 이미지 처리 알고리즘의 최적화 방법 및 이를 구비한 전자 장치
WO2023177108A1 (en) Method and system for learning to share weights across transformer backbones in vision and language tasks
WO2023059000A1 (ko) 학습을 보조하기 위한 방법 및 장치
WO2022231165A1 (ko) 약물 효과 예측 장치 및 그 방법
WO2025154999A1 (ko) 이미지 분할을 지원하기 위한 전자 장치

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 24840117

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE