QUBO 변환 완전 가이드: 다차원 최적화 문제를 1‑비트 형태로

초록

본 논문은 다차원 변수와 선형 제약을 가진 실용적인 이차 최적화 문제를 QUBO(Quadratic Unconstrained Binary Optimization) 형태로 변환하는 세 가지 핵심 절차—벡터화, 이진화, 제약 페널티 삽입—를 체계적으로 정리하고, 크로네커 곱을 이용한 수식 전개와 변환 조건을 정리한다.

상세 분석

논문은 먼저 QUBO와 Ising 모델 사이의 수학적 동등성을 상기하고, 실제 양자·아날로그 최적화 하드웨어에 입력될 수 있도록 문제를 “제약 없는 이진 이차 형태”로 바꾸는 필요성을 강조한다.
1️⃣ 다차원 → 1차원 벡터화

• 변수 배열을 C‑스타일과 Fortran‑스타일 두 가지 인덱스 정렬 방식으로 정의하고, 특히 Fortran‑스타일(마지막 인덱스가 가장 빠르게 변함)을 채택한다.
• 크로네커 곱 ⊗의 기본 성질(전치, 결합, 역행렬)과 bilinearity를 이용해, 다중 인덱스 합을 하나의 행렬‑벡터 형태인 (\bar x^{T}(B\otimes A)\bar x) 로 압축한다(정리 1).
• 선형 제약식도 동일하게 ((B\otimes A)\bar x = \bar d) 로 표현하고, 제약 위반 제곱 노름을 전개해 (\bar x^{T}(B^{T}B\otimes A^{T}A)\bar x) 형태의 2차 항을 얻는다(정리 2).
• 이 과정은 차원이 3 이상일 때도 그대로 확장 가능하며, 예시를 통해 누적합, 순환합, 특수 행렬(D)와의 결합을 보여준다.

2️⃣ 혼합 변수의 이진화

• 정수·이산·연속 변수 각각에 대해 “스케일링·바이너리화·시프트” 세 파라미터 ((b, a, g)) 로 정의된 affine 변환 (x = L y + g) 를 제시한다. 여기서 (L = D_b \otimes a) 로 크로네커 곱을 이용해 행렬을 구성한다(정리 3).
• 연속 변수는 사전 정의된 정밀도 (\epsilon) 를 만족하도록 충분히 큰 비트 수를 선택하고, 모든 가능한 실값을 (\epsilon) 이내에서 근사한다.
• 변환 후 목적함수는 (\frac12 y^{T}(L^{T}QL) y + (L^{T}(Qg+v))^{T} y + f(g)) 로 재작성되며, 이는 다시 QUBO 형태의 (Q’ = L^{T}QL) 와 (v’ = L^{T}(Qg+v)) 로 매핑된다.

3️⃣ 선형 제약을 2차 페널티로 변환

• 제약식 (A x = b) 를 (\rho |A x - b|^{2}) 형태의 페널티 항으로 목적함수에 추가한다. 여기서 (\rho) 는 충분히 큰 양수이며, 정리 2에서 전개된 2차 형태를 그대로 활용한다.
• 논문은 페널티 계수 선택에 대한 충분조건을 제시하고, “등가성 보장”을 위해 (\rho > \max{|q_{ij}|}) 와 같은 간단한 경계식을 제시한다.

4️⃣ 예제와 실용적 구현

• 선형 합, 누적합, 순환합, 그리고 Ising↔QUBO 변환을 포함한 10여 개의 구체적 예제가 제시된다. 각 예제는 위에서 정의한 정리와 행렬 연산을 그대로 적용해 손쉽게 QUBO 매트릭스를 도출한다.
• 특히, 이진 스핀 변수 ({−1,1}) 를 ({0,1}) 로 변환하는 과정에서 발생하는 상수항과 선형항을 명시적으로 계산해, 실제 양자 어닐링 기계에 바로 입력 가능한 형태를 보여준다.

핵심 인사이트

• 크로네커 곱을 이용한 벡터화는 차원·인덱스 관리의 복잡성을 완전히 행렬 연산으로 추상화함으로써, 자동화된 코드 생성(예: Python + NumPy)이나 심볼릭 툴에 직접 적용 가능하게 만든다.
• 이진화 과정에서 affine 매핑을 명시적으로 분리하면, 연속·정수·이산 변수 각각에 대해 독립적인 비트 수와 스케일링을 조정할 수 있어, 메모리·시간 효율성을 최적화한다.
• 페널티 기반 제약 처리의 등가성 조건을 명시함으로써, “제약이 강제된 QUBO”와 “원본 제약 최적화” 사이의 해 차이를 이론적으로 보장한다. 이는 실제 양자 하드웨어에서 제약 위반을 최소화하는 데 필수적이다.