Physics-informed neural networks for quantum control

기술 요약: 양자 제어를 위한 물리 정보 신경망 (Physics-Informed Neural Networks)

문제 정의
최적 양자 제어(Optimal Quantum Control, QC)는 상태 준비에서부터 양자 센싱에 이르기까지 양자 시스템을 조작하는 데 필수적이다. 리아푸노프 제어(Lyapunov control), 최적 펄스 시퀀스, 미분 가능 프로그래밍과 같은 전통적인 QC 기법은 종종 시스템 의존적이며 계산적으로 까다로운 복잡한 최적화 과정에 의존한다. 머신러닝(ML)이 양자 시스템에 적용되어 왔으나, 표준 신경망(NN)은 일반적으로 학습을 위해 대규모 데이터셋을 필요로 하며, 이러한 데이터는 개방형 양자 시스템(open quantum systems)의 경우 확보하기 어렵거나 생성하기 까다로운 경우가 많다. 또한, 사전 데이터 없이 단일 딥러닝 프레임워크 내에서 시간 진화와 제어 최적화를 통합하는 것은 아직 탐구되지 않은 과제이다. 본 연구에서 다루는 구체적인 문제는 사전 훈련 데이터에 의존하지 않고 높은 충실도(fidelity), 짧은 진화 시간 및 낮은 에너지 소비를 달성하기 위해 개방형 양자 시스템의 제어 함수를 역설계(inverse design)하는 것이다.

방법론
저자들은 개방형 양자 시스템의 최적 제어 문제를 해결하기 위해 물리 정보 신경망(PINNs)에 기반한 새로운 아키텍처를 소개한다. 이 접근 방식은 타겟 동역학적 거동 자체가 목적 함수가 되는 데이터 프리(data-free) 역모델링 기술이다.

1. 시스템 정식화: 양자 시스템은 $n$-차원 비자율 동역학계 $\dot{x} = A(\lambda, u(t))x(t)$로 모델링된다. 여기서 $x(t)$는 상태 벡터(개방형 시스템의 경우 밀도 행렬로부터 유도됨)이고, $u(t)$는 제어 벡터이며, $\lambda$는 시스템 파라미터를 나타낸다.
2. 신경망 아키텍처: 범용 근사기(universal approximator)로서 피드포워드 신경망(feed-forward NN)이 채택되었다. 입력은 이산 시간 벡터 $t$이며, 출력은 상태 해 $N_x(t)$와 제어 해 $N_u(t)$이다.
   • 활성화 함수: 은닉층에는 사인 활성화 함수 $\sin(\cdot)$를 사용하였다. 이는 비선형 동역학계 및 고차원 편미분 방정식을 해결하는 데 입증된 효과를 가진다.
   • 하드 제약 조건(Hard Constraints): 초기 조건($x(0)=x_0, u(0)=u_0$)을 정확하게 만족시키기 위해, 네트워크 출력은 $x(t) = x(0) + f(t)N_x(t)$ 및 $u(t) = u(0) + f(t)N_u(t)$로 매개변수화된다. 여기서 $f(t) = 1 - e^{-t}$는 $f(0)=0$을 만족한다. 이는 소프트 제약 조건과 관련된 수치적 오류를 방지한다.
3. 손실 함수: 네트워크는 합성 손실 함수 $L = L_{model} + L_{control} + L_{const} + L_{reg}$를 최소화하도록 훈련된다.
   • $L_{model}$: 시스템 동역학(마스터 방정식)을 강제하며, 잔차 $\|\dot{x} - A(\lambda, u)x\|^2$를 최소화한다. 시간 미분은 자동 미분(automatic differentiation)을 통해 계산된다.
   • $L_{control}$: 시스템을 타겟 상태 $x_d$(상수 또는 시간 의존적)로 유도하며, 가중치 인자 $\eta$에 의해 조절된다.
   • $L_{const}$: 확률 보존($Tr[\rho]=1$) 또는 특정 상태 인구수와 같은 추가적인 물리적 제약 조건을 포함한다.
   • $L_{reg}$: 과적합을 방지하고 물리적으로 실행 가능한 매끄러운 제어 함수를 장려하기 위한 네트워크 가중치에 대한 $l_2$-노름 규제 항이다.
4. 최적화: 손실 함수를 최소화하기 위해 Adam 옵티마이저가 사용된다. 수렴을 개선하기 위해 반복 과정 동안 훈련 지점들이 무작위로 섭동(perturbation)된다.

주요 기여 및 결과
저자들은 세 가지 뚜렷한 사례를 통해 이 PINN 프레임워크의 효능을 입증하였다.

1. 깁스 상태(Gibbs State) 준비를 위한 2준위 시스템(TLS):

   • 과업: 소산성(dissipative) 2준위 시스템을 특정 깁스(혼합) 상태로 구동한다.
   • 결과: PINN은 타겟 상태에 대해 $F=0.99$의 충실도를 달리는 제어 필드 $\xi(t)$를 발견했다. 밀도 행렬의 모든 성분에 대한 정상 상태(steady-state) 접근 오차는 1% 이내였다.
   • 비교: PINN 솔루션은 분석적으로 최적화된 상수 제어 솔루션보다 우수한 성능을 보였으며, 더 나은 충실도를 달성하고 비자명한 시간 의존적 제어를 찾아내는 능력을 보여주었다.

2. 상태 간 전이를 위한 3준위 $\Lambda$-시스템:

   • 과업: 손실이 있는 중간 상태 $|3\rangle$를 거쳐 상태 $|1\rangle$에서 $|2\rangle$로 인구수를 전이시키되, $|3\rangle$에서의 인구수와 펄스 면적(에너지)을 최소화한다.
   • 결과: PINN은 STIRAP($t_f = 35$), STIREP, 역공학(Inverse Engineering)과 같은 표준 방법들보다 현저히 짧은 전이 시간($t_f = 2.0$) 내에 높은 충실도($p_2 \approx 0.97$)를 달성하는 매끄러운 제어 펄스($\Omega_p, \Omega_s$)를 생성했다.
   • 에너지 효율성: 제어 펄스는 다른 방법들에 비해 가장 작은 펄스 면적($A=7.3$)을 나타냈으며, 이는 더 낮은 에너지 소비를 의미한다.
   • 강건성(Robustness): PINN은 재훈련 없이도 이광자 디튜닝($\delta/2\pi = 0.2$) 하에서도 높은 성능을 유지하였으며, 이는 STIRAP과 같은 표준 방법들이 해당 디튜닝 하에서 크게 저하되는 것과 대조적이다. 또한, 이 방법은 아키텍처 변경 없이도 서로 다른 초기 상태(결맞음 상태 vs 혼합 상태)에 성공적으로 적응했다.

3. 확장성 및 일반화:

   • 4준위 시스템: 본 프레임워크는 4준위 시스템을 성공적으로 처리하여, 새로운 상태로의 크로스토크(cross-talk)를 관리하고 손실이 있는 중간 상태의 인구수를 최소화함으로써 3준위 케이스를 넘어선 확장성을 입증했다.
   • 대규모 시스템: 이 방법은 상호작용하지 않는 시스템 및 상호작용하는 큐비트 시스템(최대 5 큐비트, $2^5=32$ 준위)으로 확장되었다. PINN은 최종 충실도 99.8%(비상호작용) 및 99.1%(상호작용)를 달성하였으며, 최종 해밀토니안의 기댓값을 성공적으로 최소화했다.

의의 및 주장
본 논문은 제안된 PINN 아키텍처가 개방형 양자 시스템의 순방향 동역학과 제어 함수의 역설계를 공동으로 해결하는 유연한 데이터 프리 패러다임을 제공한다고 주장한다. 저자들은 표준 기술에 비해 다음과 같은 몇 가지 장점을 강조한다:

• 적응성: 이 방법은 재훈련이나 아키텍처 수정 없이 물리적 파라미터, 초기 조건 및 노이즈 채널의 변화에 적응한다.
• 효율성: 더 짧은 시간 내에 더 낮은 에너지 소비(더 작은 펄스 면적)로 높은 충실도의 상태 전이를 달성한다.
• 강건성: 발견된 제어 시퀀스는 STIRAP과 같은 표준 프로토콜을 저하시키는 파라미터 변동(예: 디튜닝)에 대해 강건하다.
• 범용성: 이 접근 방식은 원자, 광학 및 고체 상태 시스템을 포함한 다양한 양자 플랫폼에 적용 가능하며, 더 큰 힐베르트 공간으로 확장 가능하다.

저자들은 결론적으로 PINN이 단열 양자 컴퓨팅(adiabatic quantum computing), 양자 게이트 조작, 다체계(many-body systems)에서의 얽힘 상태 초기화 등을 포함한 복잡한 양자 제어 과업을 위한 유망한 도구임을 밝히고 있다.