LLM-GNN 하이브리드 모델 통한 ADAPT-QAOA 회로 최적화 및 근사비 0.9 달성

Context

기존 ADAPT-QAOA는 조합 최적화 문제 해결을 위한 회로 설계 시 연산자 선택의 복잡도와 파라미터 초기화 문제에 직면함. 그래프 구조 변화에 따른 일반화 성능 부족으로 인해 대규모 문제 확장 시 효율성이 저하되는 한계 존재.

Technical Solution

• Transformer 기반 LLM과 Graph Neural Networks(GNN)를 결합한 하이브리드 아키텍처 설계
• 그래프 구조와 양자 연산 간의 상관관계를 학습하여 최적의 회로 생성 단계 도출
• NanoGPT 아키텍처 채택을 통한 회로 깊이 제어 및 추론 효율성 확보
• FEATHER 및 NetLSD 등 다양한 Graph Embedding 기법 적용을 통한 데이터 표현력 최적화
• 학습 기반의 회로 생성 로직 도입으로 기존 Vanilla QAOA의 탐색 비용 제거