AI
PennyLane을 활용한 Amazon Braket에서의 Max-Cut 문제의 해결 (2부) – 세 가지 실행 방식 비교
두줄요약
PennyLane QAOA Max-Cut을 로컬과 Amazon Braket Hybrid Jobs의 두 시뮬레이터에서 비교했습니다. 실행 위치에 따른 콘솔 추적, 네트워크 왕복, 과금 특성과 최적화 결과를 설명합니다.
구조와 흐름
- PennyLane QAOA Max-Cut 코드를 로컬, Hybrid Jobs 임베디드 시뮬레이터, SV1 온디맨드 시뮬레이터로 실행
- 고전 옵티마이저의 파라미터 갱신과 양자 회로의 비용 평가를 반복하는 하이브리드 구조
- 디바이스 ARN 변경을 통한 lightning.qubit, SV1, 실제 QPU 전환
선택 이유
- 로컬 실행을 알고리즘 검증·디버깅과 실행 비교의 기준점으로 활용
- Hybrid Jobs를 통한 관리형 인스턴스 실행, 콘솔 기반 진행 상황·결과 추적
- 임베디드 시뮬레이터의 인프로세스 실행과 SV1의 관리형 양자 태스크 실행 비교
트레이드오프
- 임베디드 시뮬레이터의 네트워크 왕복 없음·인스턴스 시간 과금
- SV1의 반복별 태스크 제출·네트워크 왕복과 인스턴스 시간 및 시뮬레이터 사용량 과금
- 레이어 수·반복 횟수 증가에 따른 Max-Cut 비용 개선 가능성과 실행 시간·비용 증가
주의할 점
- shots, 레이어 수, 반복 횟수 차이에 따른 실행 결과 직접 비교의 한계
- QAOA의 확률적 특성으로 최고 확률 비트 문자열이 항상 최대 컷이 아닐 가능성
- 상위 후보의 컷 크기를 고전적으로 계산한 최종 해 선택
