양자 제어 메타러닝의 적응 이득을 예측하는 스케일링 법칙

초록

본 논문은 메타러닝 기반 양자 게이트 보정에서, 작업별 그래디언트 단계 수 K와 장치 간 변동성 σ²τ에 따라 기대 충실도 향상(적응 이득) Gₖ이 지수적으로 포화하고, 최댓값은 변동성에 선형 비례한다는 스케일링 법칙 Gₖ ≥ A∞(1‑e⁻ᵝᴷ)를 제시한다. 실험은 단일·두 큐비트 게이트와 고전 LQR 제어에 적용돼, 변동성이 큰 경우 K가 충분히 클 때 40 % 이상의 충실도 향상을 확인한다. 이를 통해 언제 적응이 비용을 정당화하는지 정량적 기준을 제공한다.

상세 분석

이 논문은 양자 하드웨어의 이질성 및 환경 드리프트가 빈번한 재보정을 요구한다는 실용적 문제에서 출발한다. 기존의 비적응형 최적화(GRAPE 등)는 평균 잡음에 강건하지만 개별 장치에 최적화되지 않아 성능 손실을 초래한다. 반면 메타러닝(MAML 기반) 접근은 모든 작업에 대해 빠른 적응이 가능한 초기 파라미터 θ₀을 학습한다. 저자는 “적응 갭”(adaptation gap) Gₖ = Eₓ