Generative Quantum-inspired Kolmogorov-Arnold Eigensolver

Motivation

• Known: Generative quantum eigensolver (GQE)는 양자 회로 생성을 이산 문제로 재정의하여 VQE의 연속 파라미터 최적화 문제를 회피한다. 이러한 생성형 접근법은 transformer 기반 구조로 구현되어 왔으나, dense position-wise FFN이 operator vocabulary와 sequence length 증가에 따라 상당한 파라미터 오버헤드를 유발한다.
• Gap: 기존 GPT 스타일 GQE는 operator pool과 sequence length가 증가할수록 classical backbone의 FFN 파라미터 수가 급증하여 HPC-quantum 워크플로우에서 병목이 되는 문제가 존재한다. 이를 회피하면서도 회로 생성 품질을 유지하는 컴팩트한 아키텍처 설계가 필요하다.
• Why: 양자 화학의 scalable 워크플로우에서 classical preprocessing, quantum-circuit simulation, 모델 학습, selected configuration-interaction postprocessing이 함께 작동해야 하므로, classical 컴포넌트의 파라미터 효율이 전체 시스템 성능에 직결된다. 특히 NISQ 시대에서 deep circuits와 반복 sampling이 지배적인 비용이므로 classical 오버헤드 감소가 실질적 중요성을 갖는다.
• Approach: 본 논문은 HQKAN (hybrid quantum-inspired Kolmogorov-Arnold network)을 GQE의 backbone에 통합하여 HQKANsformer 아키텍처를 구성한다. DARUAN (DatA ReUploading ActivatioN) 모듈을 통해 단일 큐빗 data re-uploading 회로에서 영감을 받은 학습 가능한 edge functions를 구현하며, 이를 autoregressive operator-selection 메커니즘과 QSCI evaluation pipeline과 결합한다. 학습은 QSCI 기반 reward signal을 사용한 GRPO (Group Relative Policy Optimization)로 진행된다.

Achievement

Fig. 4: Potential energy surface of the six target molecules. Subfigures present the energy variations with respect to b

• 파라미터 효율: 학습 가능한 파라미터를 약 66% 감소시키면서 GQE와 비교하여 parameter memory도 줄임
• 계산 성능: 벽시간(wall-time) 속도 향상 달성
• 화학 정확도: H4, N2, LiH, C2H6, H2O, H2O dimer 벤치마크에서 GQE와 동등한 화학 정확도 유지
• 강상관 시스템: N2, LiH 등 강상관 분자에서 수렴 특성과 최종 에너지 오차 개선

How

Fig. 3: Optimization history showing the best-so-far energy error relative to the CASCI baseline up to each iteration. S

• HQKAN 모듈을 dense FFN 대체로 사용하여 parameter-efficient transformation 구현
• DARUAN을 통한 learnable nonlinear mapping으로 expressive 함수 근사 유지
• Autoregressive operator selection과 QSCI 기반 에너지 평가를 보존하여 discrete policy learning 수행
• Group Relative Policy Optimization (GRPO)로 모델 학습
• CUDA-Q를 활용한 quantum circuit simulation

Originality

• QKAN (Kolmogorov-Arnold network)을 quantum eigensolver 구조에 처음 통합하는 시도로, quantum-inspired classical architecture 설계에 새로운 방향 제시
• DARUAN 기반 edge function을 quantum circuit 원리에서 영감받아 design하여 quantum-classical hybrid 아이디어의 창의적 적용
• 기존 GQE 프레임워크를 유지하면서 parameter efficiency 개선하는 점진적이고 실질적 개선

Limitation & Further Study

• 활성화 함수 스케일링: 논문에서 KAN의 활성화 함수 수가 layer dimension과 함께 증가하는 문제를 언급했으나, HQKAN의 latent processor 설계가 이를 완전히 해결하는지 명확하지 않음
• 벤치마크 범위: 평가된 분자 시스템이 비교적 작은 active space (H4, N2, LiH, C2H6, H2O)에 제한되어 매우 큰 시스템에서의 확장성 미검증
• 노이즈 효과: NISQ 하드웨어의 노이즈 영향에 대한 분석 부재; classical simulation 결과만 제시
• QSCI 의존성: QSCI postprocessing의 성능이 최종 결과에 중대한 영향을 미치지만, QSCI 자체의 한계나 parameter 의존성 논의 부족

Evaluation

총평: 본 논문은 generative quantum eigensolver의 classical 오버헤드 감소라는 실질적 문제를 HQKAN 도입으로 효과적으로 해결하며, quantum-inspired classical architecture 설계의 창의적 사례를 제시한다. 파라미터 66% 감소와 속도 향상을 달성하면서 화학 정확도를 유지한 점은 HPC-quantum codesign의 실용성을 높인다. 다만 매우 큰 시스템에 대한 확장성 검증과 NISQ 하드웨어에서의 성능 평가가 필요하다.