IBM Quantum, Mitsubishi Chemical Corporation, Keio University 및 NVIDIA로 구성된 연구 컨소시엄은 최대 70 큐비트의 자기회귀 회로 생성기를 위한 인더루프(in-the-loop) 양자 하드웨어 학습 프레임워크를 시연했습니다. arXiv에 게재된 이 연구는 156-qubit IBM Heron 프로세서 ibm_kobe를 사용하여 transformer 기반의 Generative Quantum Eigensolver (GQE) 정책을 학습시켰으며, 이후 이 정책은 extreme ultraviolet (EUV) lithography를 위한 복잡한 organotin photoresist 분자를 시뮬레이션하기 위해 제로샷(zero-shot) 방식으로 적용되었습니다.
IBM, Mitsubishi Chemical 및 Keio, 70큐비트 하드웨어에서 생성형 양자 고유값 해석기 학습
IBM, Mitsubishi Chemical 및 Keio, 70큐비트 하드웨어에서 생성형 양자 고유값 해석기 학습 - Quantum Computing Report
Quantum Computing Report
Publisher
Nov 12, 2026 at 1:54 AM UTC · Updated 6일 전 · 2 분 소요

Key Signal
156 qubits IBM processor size
Last Updated
6일 전
| 70-Qubit GQE-SQD 대 기존 LUCJ Ansatz 성능 | ||
|---|---|---|
| 아키텍처 차원 | 하드웨어로 학습된 GQE 정책 | 트랜스파일된 LUCJ 베이스라인 |
| 상태 준비 모델 | 분자 기술어에 조건화된 자기회귀 transformer | 고정된 스핀 균형 Local Unitary Cluster Jastrow 연산자 |
| 2-Qubit 게이트 수 (56–70 큐비트) | 64 ~ 160 게이트 | 4,248 ~ 6,952 게이트 |
| 트랜스파일된 회로 깊이 | 44 ~ 134 레이어 | 428 ~ 536 레이어 |
| 활성 공간 대상 | Organotin hydroxides 및 hydrates (32 ~ 70 큐비트) | 동일한 화학적 활성 공간 벤치마크 |
| DMRG 일치도 (46–70 큐비트) | 28회 실행 중 27회가 15 mHa 이내 (중앙값 4.5 mHa 편차) | 흥분 주입 전 22.7 ~ 204.1 mHa 가공되지 않은 편차 |
유기금속 클러스터 내의 강하게 상관된 전자를 시뮬레이션하는 것은 고전적인 configuration interaction 방법론에 기하급수적인 장벽을 제시하며, 깊은 파라미터화된 회로는 물리적 양자 프로세서에서 빠르게 결맞음(decoherence)을 잃습니다. Sample-based Quantum Diagonalization (SQD) 하에서 양자 프로세서는 주요 비트스트링 구성만을 샘플링하며, 이후 고전 프로세서가 활성 부분공간을 재구성하고 분자 Hamiltonian을 대각화합니다. 상태 준비 품질이 복구 정확도를 결정하지만, 기존의 안사츠(ansätze)는 물리적 하드웨어 토폴로지에 매핑될 때 흔히 감당하기 힘든 게이트 깊이를 생성합니다.
수동 회로 합성을 제거하기 위해 연구팀은 2단계 강화 학습 커리큘럼을 구현했습니다. 전이 금속 복합체에 대한 노이즈 없는 시뮬레이터에서의 초기 사전 학습 후, 학습은 46 및 70 큐비트 활성 공간에 걸쳐 ibm_kobe 프로세서에서 직접 계속되었습니다. 2단계 학습 루프에는 정책이 고전적인 Hartree–Fock 상태로 붕괴되는 것을 방지하기 위한 특수 보상 페널티가 포함되었으며, 600개의 보정 작업에 걸쳐 120 million 번의 물리적 하드웨어 샷을 소비했습니다.
결과적으로 도출된 정책은 methyltin trihydroxide, Sn(OH)3-Me 및 그 모노 및 디수화물의 11개 활성 공간 계층에 대해 재학습 없이 배포되었습니다. 운영 추론에서 정책은 단일 양자 배치 작업으로 실행되는 10개의 후보 회로를 제안합니다. 고전적인 랭킹 패스가 구성 횟수를 평가하여 최적의 회로를 선택하며, 그 후 부분공간 복구 및 Hamiltonian 대각화는 추가적인 양자 실행 시간 없이 로컬 GPU에서 전적으로 진행됩니다.
Article Intelligence
Related Coverage
Sponsored
AdNewsLayer Premium
Unlock deeper intelligence.
Ad-free reading, exclusive research, and real-time onchain insights.
Go Premium
