그래프 신경망 기반 양자 하드웨어 선택 예측기

초록

본 논문은 양자 회로를 DAG 형태로 직접 그래프 신경망(GNN)에 입력하여, 회로에 가장 적합한 양자 하드웨어(초전도 vs 트랩 이온)를 자동으로 예측하는 모델을 제안한다. 498개의 MQT Bench 회로를 4개의 실제 디바이스에 컴파일해 얻은 깊이·게이트 충실도 기반 비용 함수를 라벨로 사용했으며, GCN·GAT 혼합 구조와 Residual 레이어를 활용해 94.4% 정확도와 소수 클래스(트랩 이온)에서 85.5% F1 점수를 달성했다.

상세 분석

이 연구는 양자 컴퓨팅 생태계가 급속히 다양화됨에 따라, 회로‑디바이스 매칭 문제를 기존의 ‘모든 디바이스에 대해 전부 컴파일 후 비교’ 방식에서 머신러닝 기반 자동화로 전환한다는 점에서 의미가 크다. 핵심 아이디어는 양자 회로를 Directed Acyclic Graph(DAG) 로 표현하고, 각 노드에 게이트 종류(36‑차원 원-핫), 타깃/컨트롤 큐비트(27‑차원), 파라미터(3‑차원) 로 구성된 66‑차원 피처 벡터를 부여한 뒤, 이를 그래프 신경망에 그대로 입력한다는 점이다. 이렇게 하면 전통적인 피처 엔지니어링 단계가 사라지고, 회로의 토폴로지와 연산 순서가 그대로 보존된다.

모델 아키텍처는 첫 번째 레이어에 Graph Attention Network(GAT) 혹은 Graph Convolutional Network(GCN) 를 선택하고, 이후 Residual GCN 레이어 1~2개를 쌓아 깊이‑폭 트레이드오프를 완화한다. Residual 연결은 그래프 신경망에서 흔히 발생하는 기울기 소실 문제를 완화하고, 더 깊은 구조에서도 안정적인 학습을 가능하게 한다. 마지막에는 Global Mean Pooling 으로 노드 차원을 평균해 고정‑길이 그래프 임베딩을 만든 뒤, 2‑계층 Feed‑Forward Neural Network(FFNN)으로 이진 분류(트랩 이온 vs 초전도)를 수행한다.

데이터셋 구성은 498개의 회로를 Qiskit 트랜스파일러로 네 가지 디바이스(IBM‑Kyiv, IBM‑Brisbane, IBM‑Sherbrooke, IONQ‑Forte)와 네 가지 최적화 레벨(0~3)에서 컴파일하고, 각 결과의 깊이(D) 와 게이트 충실도(Fi) 를 이용해 비용 함수
\