LLM, 양자회로 매개변수 한 번에 생성

ai.euno.news 자동 뉴스 요약

대규모 언어모델(LLM)이 전통적인 최적화 절차를 거치지 않고 변분 양자회로(Variational Quantum Circuit·VQC)의 전체 매개변수 벡터를 한 번에 생성하는 방법이 제시됐다. 11월 12일 arXiv에 공개된 연구는 범용 LLM을 별도 학습 없이 고정한 채, 회로와 해밀토니안의 기호 표현을 입력해 매개변수를 만들도록 했다. 다만 이 방식의 성패는 문제에 드러난 물리·수학적 구조에 크게 좌우됐다.¹

VQC는 조정 가능한 매개변수를 가진 양자회로다. 일반적으로 회로가 계산한 에너지를 목적함수로 삼고, Adam 같은 고전 최적화 알고리즘이 매개변수를 반복해서 수정한다. 연구진이 시험한 방식은 이 탐색 과정을 LLM의 추론으로 대체한다. 필요하면 이전 단계에서 측정한 에너지를 LLM에 다시 제공해 매개변수를 갱신할 수도 있다. 평가는 일반적인 무작위 해밀토니안, 구조화된 부모 해밀토니안, 분자계에서 이뤄졌다.

결과는 문제 유형에 따라 갈렸다. 일반 해밀토니안에서는 LLM이 만든 매개변수의 에너지 오차가 Adam 최적화보다 컸다. 에너지 피드백을 추가해 반복하더라도 대체로 개선 폭은 제한적이었다. 반면 구조화된 해밀토니안에서는 유망한 저에너지 매개변수 구성을 생성했다. 연구진은 식별 가능한 물리적·수학적 구조가 있을 때 LLM이 매개변수 사이의 관계를 추론하기 쉬워진다는 가능성을 제시했다. 따라서 LLM이 수치 최적화 전반을 대체했다기보다, 구조가 뚜렷한 문제에서 초기값이나 후보 구성을 만드는 접근에 가깝다.

검증 방식도 중요한 차이를 만들었다. LLM이 최저 에너지를 숫자로 직접 예측하면 해밀토니안 스펙트럼의 하한보다 낮은, 물리적으로 불가능한 값을 내놓을 수 있었다. 그러나 LLM이 회로 매개변수를 출력하면 실제 회로에서 에너지 기댓값을 독립적으로 계산해 물리적 타당성을 확인할 수 있다. 또 회로의 정체를 알려주지 않는 실험에서는 기반 양자 알고리즘을 식별하지 못하면서도 측정 결과를 예측하는 사례가 나타났다. 이는 결과 예측 능력이 회로 원리에 대한 정확한 해석을 뜻하지는 않음을 보여준다.¹

읽기 목록은 이 브라우저에 저장됩니다.