펄스 최적화
펄스 최적화는 게이트 불충실도 C = 1 − F에 대한 경사하강법으로 제어 파형을 수치적으로 조각하는 일입니다 — GRAPE의 해석적 기울기(2005)부터, 기울기가 잡음 자체를 관통해 흐르는 현대의 미분가능 열린 계 최적화기까지.
무슨 뜻인가요
게이트를 제어 포락선 ε(t)로 이해하고 나면, 최고의 게이트를 찾는 일은 최적화 문제가 됩니다: 실현된 발전과 목표 유니터리 사이의 충실도 F에 대해 비용 C = 1 − F를 최소화하는 것입니다.경사하강법은 펄스 파라미터 θ를 기울기의 반대 방향으로 갱신합니다: θ_{k+1} = θ_k − η∇_θC(θ_k).GRAPE(Khaneja 외, 2005)가 이 문제에 해석적 기울기를 도입했고, 자동미분(autograd)이 이를 일반화합니다 — 시간 발전 전체(예: 트로터 분할 린드블라드 전파기)를 PyTorch 연산으로 구성하면, 역전파 한 번으로 모든 파라미터의 정확한 기울기가 동시에 나옵니다.유한차분이라면 파라미터마다 시뮬레이션이 한 번씩 필요합니다.현대 펄스의 파라미터가 수백~수천 개이므로 이것이 결정적입니다.최전선은 열린 계 최적화입니다: 잡음 없는 슈뢰딩거 시뮬레이션에서 최적화한 뒤 점수를 사후 할인(e^{−T/T1} 곱하기)하는 대신, GradPulse 같은 미분가능 최적화기는 린드블라드 마스터 방정식을 통해 T1 이완, 순수 위상풀림(Tφ), 누설을 순전파(forward pass) 안에 넣습니다 — 옵티마이저가 진짜 잡음 세계의 점수판 위를 걷는 것입니다.대가는 큽니다 — 밀도행렬은 d×d이므로 27차원 명시적 커플러 모델은 원소가 729개입니다 — 그리고 전파기를 새로 쓰는 일은 독립 솔버(정확한 행렬지수, 적응형 ODE QuTiP)와의 약 10⁻¹⁴ 수준 교차검증을 요구하며, 이는 CI로 강제됩니다.일상 비유
흔한 오해
- 기울기 없는(gradient-free) 최적화는 규모에 맞게 확장되지 않습니다 — 펄스 파라미터가 수백~수천 개일 때 Nelder-Mead 같은 방법은 차원이 커질수록 급격히 느려지지만, 역전파는 되감기 한 번으로 모든 기울기를 줍니다. 미분가능성은 취향이 아니라 규모의 생존 조건입니다.
- 두 시뮬레이터가 일치해도, 코드를 공유하거나 같은 근사 계열을 쓴다면 아무것도 증명하지 못합니다 — 공유된 트로터류 시간 이산화는 둘 사이 비교로는 보이지 않는 공통 모드 오차를 만듭니다. 독립적 재구현(정확한 행렬지수 vs 트로터 분할 vs 적응형 ODE)만이 일치를 증거로 만듭니다.
핵심 정리
- GRAPE(2005)가 펄스 설계에 해석적 기울기를 도입했고, autograd가 이를 임의의 미분가능 시뮬레이션으로 일반화합니다.
- 역전파는 역방향 계산 한 번으로 모든 펄스 파라미터의 기울기를 줍니다 — 유한차분이라면 파라미터마다 시뮬레이션이 한 번씩 필요합니다.
- 열린 계의 비용: 밀도행렬은 d×d이므로 27차원 명시적 커플러 모델은 원소가 729개입니다 — 정직한 잡음 모델링은 비쌉니다.
- 미분가능 열린 계 최적화기는 사후 e^{−T/T1} 할인 대신 T1, Tφ, 누설을 순전파 안에 넣습니다 — 기울기가 잡음을 관통해 흐릅니다.
- 3중 솔버 교차검증(PyTorch 트로터 vs 정확한 NumPy 행렬지수 vs QuTiP 적응형 ODE)의 약 10⁻¹⁴ 일치가 전사(transcription) 버그를 잡아내며, 어느 두 솔버라도 어긋나면 CI 게이트가 빌드를 실패시킵니다.
이해했는지 확인해 보세요
규모가 커질 때 미분가능성이 (단순한 취향이 아니라) 생존 조건인 이유는 무엇입니까?
- A.아날로그 하드웨어가 미분가능한 파형만 받아들이기 때문
- B.파라미터가 수백~수천 개일 때, 역전파의 역방향 계산 한 번만이 기울기 계산을 현실적으로 가능하게 하기 때문
- C.기울기 없는 방법으로는 가우시안 포락선을 표현할 수 없기 때문
- D.미분가능 코드는 GPU에서 돌고 GPU가 필수이기 때문
정답 보기
정답: B. 파라미터가 수백~수천 개일 때, 역전파의 역방향 계산 한 번만이 기울기 계산을 현실적으로 가능하게 하기 때문
이유: 유한차분은 파라미터마다 시뮬레이션이 한 번씩 필요하고, 기울기 없는 탐색은 차원이 커질수록 급격히 느려집니다. 역전파는 되감기 한 번으로 모든 파라미터의 정확한 기울기를 주므로, 수백~수천 개 펄스 분절 규모에서 유일하게 현실적인 경로입니다.
미분가능 열린 계 최적화기에서 '기울기가 잡음을 관통해 흐른다'는 말의 정확한 뜻은 무엇입니까?
- A.국소 최솟값 탈출을 위해 옵티마이저가 기울기에 무작위 잡음을 더한다
- B.잡음 있는 하드웨어 실행 여러 번에 걸쳐 기울기를 평균한다
- C.손실의 계산 경로에 린드블라드 잡음 항(T1, Tφ, 누설)이 autograd 그래프 안에 포함되어, ∂C/∂θ가 잡음의 효과까지 반영한다
- D.잡음은 무작위라서 기울기에서 상쇄되어 사라진다
정답 보기
정답: C. 손실의 계산 경로에 린드블라드 잡음 항(T1, Tφ, 누설)이 autograd 그래프 안에 포함되어, ∂C/∂θ가 잡음의 효과까지 반영한다
이유: 이완·위상풀림·누설 항을 포함한 린드블라드 발전 전체가 미분가능 연산으로 구성되어 있으므로, 계산된 기울기는 각 파라미터가 잡음 세계에서 충실도를 어떻게 바꾸는지를 이미 반영합니다 — 사후 e^{−T/T1} 할인과의 본질적 차이입니다.
먼저 알아야 할 개념
GRAPE gradient core is established (Khaneja 2005); the differentiable open-system tooling landscape incl. GradPulse case study (PureStateLabs/gradpulse, existence+claims verified on GitHub 2026-07-03) is current-state, hence timebound.