QIO는 문제를 어떻게 해결하나요?

완료됨

일을 시작하기 전에, 비용 함수의 전역 최솟값을 찾는 일반적인 두 가지 방법인 ‘시뮬레이션된 강화’ 및 ‘양자 강화’를 설명하겠습니다. 시뮬레이션된 강화는 열 물리학의 개념을 기반으로 하는 반면, 양자 강화는 양자 알고리즘입니다.

시뮬레이션된 강화

지나치게 커서 철저한 검색과 견고한 비용 함수로는 해결할 수 없는 검색 공간의 최적화 문제의 경우, 가장 성공적이고 일반적으로 사용되는 추론 중 하나가 시뮬레이션된 강화입니다. ‘추론’은 대략적인 솔루션을 찾을 수 있는 기술입니다. 추론은 정확한 솔루션을 찾는 데 너무 오래 걸릴 수 있는 상황에 유용합니다. 이 기법을 솔루션 공간의 임의 탐색이라고 생각할 수 있습니다. 여기에서 각 탐색자는 최적화 지형에 경로를 만듭니다.

시뮬레이션된 강화는 어떻게 작동하나요?

시뮬레이션된 강화는 기울기 하강과 비슷합니다. 이 알고리즘은 개념적으로 항상 내리막길을 걷는 사람을 시뮬레이션합니다. 그러나, 기울기 하강과 달리 사람이 걸을 때는 오르막길로 움직일 확률이 0은 아닙니다. 이로 인해 국소 최저점에서 이탈해서 인근의 더 낮은 최저점으로 내려갈 가능성이 생깁니다.

더 낮은 지점을 찾기 위해 오르막길을 오르는 모습을 보여 주는 플롯

이 그래프에서 이 오르막 이동은 열 이동으로 설명됩니다. 시뮬레이션된 강화가 천천히 냉각되는 재질의 행태를 모방한 물리학의 알고리즘이기 때문입니다. 이때, 걷는 사람은 온도로 인해 자체적으로 재구성되는 금속의 원자와 같습니다. 이러한 변화는 임의적이지만 더 낮은 에너지 구성으로의 이동은 더 높은 에너지 구성으로의 이동보다 발생할 확률이 높습니다. 이러한 이유로 여기에서는 걷는 사람이 편향된 임의 보행을 따른다고 말합니다.

시뮬레이션된 강화는 열 효과만을 사용하므로 QIO 방식이 아닙니다. 하지만 QIO 방법을 사용하는 것과 마찬가지로 복합적인 문제를 해결하는 데 일반적으로 사용되는 기법이며 문제는 동일한 방법으로 공식화될 수 있습니다.

양자 강화

양자 강화는 양자 알고리즘이며, 기본적으로는 시뮬레이션된 강화와 비슷하지만 몇 가지 측면에서 차이가 있습니다. 시뮬레이션된 강화에서는 한 솔루션에서 다음 솔루션으로 열 이동을 만들어서 솔루션 공간을 탐색했습니다. 퀀텀 강화에서는 대신 퀀텀 터널링 이라는 퀀텀 효과를 사용하는데, 이를 통해 이러한 에너지 장벽을 통과할 수 있게 됩니다.

에너지 장벽을 통과하는 양자 터널링과 에너지 장벽을 뛰어넘는 열 이동을 비교하는 그래프

이 그래프에서 열 이동(열 변동으로 인해 에너지 장벽을 극복할 수 있는 경우)과 퀀텀 터널링(퀀텀 효과를 통해 에너지 장벽을 통과할 수 있는 경우)의 차이점을 확인할 수 있습니다.

양자 강화를 사용하여 최적화 문제를 해결하려면 어떻게 해야 하나요?

양자 강화에서 비용 함수의 값인 에너지를 나타내는 변수에 할당을 제공하여 문제를 표현합니다.

먼저, 변수에 대해 가능한 수많은 할당에 넓게 중첩된 양자 상태에서 시작합니다. 시뮬레이션된 강화에서와 같이 온도를 바꾸는 대신, 여기에서는 양자 필드 강도라는 매개 변수를 변경합니다.

이 매개 변수는 옮겨갈 수 있는 인접한 상태의 반지름을 정의합니다. 시간이 지나고 솔루션에 가까워짐에 따라 이 반지름은 점점 작아집니다. 강화 프로세스가 끝나면 시스템은 측정 가능한 하나의 특정 저에너지 구성에 도달하게 되며, 이를 통해 최적화 문제에 대한 솔루션이 도출됩니다. 수학적으로 가장 깔끔한 양자 강화 공식을 단열 양자 최적화라고 하며, 이것이 바로 양자 기반 방식에서 모방하고자 하는 것입니다.

Azure Quantum 최적화 기법

Azure Quantum에서는 개별적 및 복합적 최적화 문제를 해결하는 광범위한 물리학 유도 및 양자 유도 기법을 사용할 수 있습니다.

  • 시뮬레이션된 강화: 결함을 제거하기 위해 자재의 느린 냉각을 모방하는 고전적인 확률적 시뮬레이션 방법(강화)입니다. 온도는 일정에 따라 감소합니다. 열 홉은 검색 공간에서 로컬 최솟값에서 벗어나는 경우를 지원합니다.
  • 병렬 템퍼링: 시스템 복사본이 서로 다른 온도에서 유지되어 템퍼링 접근 방식에서 반복된 가열 및 냉각을 자동화하는 관련 고전적 최적화 접근 방식입니다. 고전적 및 (시뮬레이션된) 양자 강화뿐 아니라 기타 많은 추론을 가속화하는 데 사용할 수 있습니다.
  • 양자 몬테카를로: 양자 몬테카를로 시뮬레이션을 사용하여 양자 강화 방법을 모방하는 양자 유도 최적화합니다. 시뮬레이션된 강화의 온도와 유사하게, 양자 터널링 강도는 시간이 지남에 따라 감소합니다. 양자 터널링 효과는 검색 공간에서 로컬 최솟값에서 벗어나는 경우를 지원합니다.

이는 사용 가능한 기법의 작은 하위 집합일 뿐이며 계속해서 서비스에 대한 새로운 해결기를 개발하고 추가합니다.