Robust design under uncertainty in quantum error mitigation

본 논문은 유한 샷 제약 하에서 성능을 향상시키기 위해 전략적 샘플링과 대리 모델 기반 최적화를 활용하여 제로 노이즈 외삽법과 클리포드 데이터 회귀와 같은 고전적 후처리 기반 양자 오류 완화 기법에서 불확실성을 정량화하고 하이퍼파라미터를 최적화하는 견고하고 일반적인 방법을 소개합니다.

핵심

완벽한 케이크를 굽고 싶다고 상상해 보세요. 하지만 오븐이 고장 났습니다. 온도가 극심하게 요동쳐서 때로는 너무 뜨겁고 때로는 너무 차갑습니다. 오븐이 완벽했다면 케이크가 정확히 어떤 맛이었을지 알고 싶어 합니다.

이것이 오늘날 양자 컴퓨터가 직면한 과제입니다. 그들은 놀라울 정도로 강력하지만 매우 "노이즈"(불안정) 가 많습니다. 이 "노이즈"는 환경과 불완전한 하드웨어에서 비롯되어 계산 결과를 뒤섞어 버립니다.

**오류 완화 (Error Mitigation)**는 다양한 알려진 온도 (매우 뜨겁거나 매우 차가운 온도) 에서 케이크를 여러 번 측정하고, 수학을 이용해 "완벽한" 온도 (노이즈 제로) 에서 케이크가 어떤 맛일지 추측하는 영리한 제빵사와 같습니다.

그러나 이 논문은 새로운 문제, 즉 불확실성을 지적합니다.

문제: "추측 게임"이 위험해집니다

양자 세계에서는 결과를 한 번만 측정할 수 없습니다. 수천 번 (이를 "샷"이라고 함) 실험을 실행하고 평균을 내야 합니다. 무한히 실행할 수 없기 때문에 데이터에 항상 약간의 "샷 노이즈", 즉 무작위 요동이 존재합니다.

노이즈를 수정하기 위해 오류 완화 기법을 사용할 때, 종종 원래의 노이즈가 있는 결과보다 더 많은 불확실성을 가진 결과를 얻게 됩니다. 흐릿한 사진을 늘려서 선명하게 하려는 것과 같습니다. 모양은 맞출 수 있을지 몰라도 이미지는 더 거칠고 예측 불가능해집니다.

저자들은 묻습니다: "우리의 '수정'이 실제로 신뢰할 수 있는지, 아니면 단순히 운 좋게 좋은 추측을 한 것인지 어떻게 알 수 있을까요?"

해결책: 견고한 설계 ("안전망" 접근법)

저자들은 이러한 오류 수정 방법을 설계하는 새로운 방식을 제안합니다. 수학이 작동하기를 단순히 기대하는 대신, 이 과정을 고위험 리스크 관리 게임처럼 다룹니다.

그들은 **Tail Value at Risk(TVaR)**라는 개념을 도입합니다.

• 유추: 당신이 폭풍우 속을 비행하는 조종사라고 상상해 보세요. 당신은 단순히 평균 날씨만关心的하지 않습니다. 당신의 경로를 벗어나게 할 수 있는 최악의 돌풍을 걱정합니다.
• 논문에서: 그들은 양자 계산의 평균 오류만 보지 않습니다. 그들은 "최악의 시나리오" 오류, 즉 수학이 정말로 잘못되는 드문 경우를 봅니다. 그들은 이러한 최악의 재앙을 최소화하도록 오류 완화 전략을 설계합니다.

그들이 어떻게 했는지 ("튜닝" 과정)

양자 "오븐"을 고치기 위해 연구자들은 두 가지 주요 노브를 조정해야 했습니다.

1. 테스트할 노이즈 레벨의 수: (오븐을 5 개 온도에서 테스트할지 10 개에서 테스트할지?)
2. 각 레벨에서 취할 샷의 수: (저온에서 케이크 100 개를 굽고 고온에서 10 개를 굽을지, 아니면 균등하게 나눌지?)

잘못된 설정을 선택하면 당신의 "완벽한 케이크" 추측이 완전히 빗나갈 수 있습니다. 저자들은 데이터가 불안정할 때조차 결과가 최대한 견고하도록 최적의 설정을 자동으로 찾는 방법을 개발했습니다.

그들은 **대리 최적화 (Surrogate Optimization)**라는 기법을 사용했습니다.

• 유추: 레이싱 카 엔진을 튜닝한다고 상상해 보세요. 실제 트랙에서 모든 설정을 테스트하는 것은 비싸고 느립니다. 그래서 차가 어떻게 작동할지 예측하는 컴퓨터 시뮬레이션 ("대리") 을 만듭니다. 시뮬레이션에서 설정을 조정하여 우승자를 찾고, 그다음에 가장 좋은 설정들만 실제 트랙에서 테스트합니다.
• 논문에서: 그들은 양자 오류 완화를 위한 최적의 "노브 설정"을 찾기 위해 빠르고 고전적인 컴퓨터 시뮬레이션을 사용하여 막대한 시간과 자원을 절약했습니다.

결과: "보편적인" 해결책인가?

팀원들은 특정 양자 모델 (XY 모델) 과 두 가지 인기 있는 오류 완화 기법에서 그들의 방법을 테스트했습니다.

1. Zero Noise Extrapolation(ZNE): 노이즈가 있는 결과를 살펴봄으로써 노이즈 제로 결과를 추측하는 것.
2. Clifford Data Regression(CDR): 오류를 수정하는 방법을 학습하기 위해 머신러닝 스타일 접근법을 사용하는 것.

주요 발견 사항:

• 작동합니다: "최악의 경우" 오류를 최소화하도록 설정을 최적화함으로써 그들은 결과의 신뢰성을 크게 향상시켰습니다.
• 이전됩니다: 이것이 가장 흥미로운 부분입니다. 그들은 한 특정 양자 회로에 대해 발견한 "완벽한 설정"이 다른 매우 유사한 회로로 이전될 수 있음을 발견했습니다.
  • 유추: 한 주방에서 초콜릿 케이크의 완벽한 레시피를 찾고, 오븐이 약간 다르더라도 그 레시피가 다른 주방에서도 거의 완벽하게 작동한다는 것을 깨닫는 것과 같습니다. 매번 처음부터 시작할 필요가 없습니다.

결론

이 논문은 오류를 수정하는 새로운 방법을 발명하는 것이 아니라, 어떻게 수정할지 선택하는 더 나은 방법을 발명합니다.

이것은 오류 완화를 사용할 때 단순히 "최선의 추측"을 얻는 것이 아니라, 양자 컴퓨터가 오작동할 때조차 우리가 신뢰할 수 있는 신뢰할 수 있고 견고한 답변을 얻도록 보장하는 도구 세트를 제공합니다. 그들은 실험을 신중하게 계획함으로써 ("노브"를 최적화하여) 이러한 노이즈가 있는 양자 컴퓨터를 가까운 장래에 훨씬 더 유용하게 만들 수 있음을 보여주었습니다.

기술 요약

"Robust design under uncertainty in quantum error mitigation" 논문에 대한 상세한 기술 요약입니다.

1. 문제 제기

양자 오류 완화 (QEM) 기술인 제로 노이즈 외삽 (ZNE) 과 클리포드 데이터 회귀 (CDR) 는 잡음이 있는 중간 규모 양자 (NISQ) 장치에서 근미래의 양자 우위를 달성하는 데 필수적입니다. 그러나 이러한 방법들은 두 가지 중요한 한계에 직면해 있습니다:

• 샷 노이즈 불확실성: QEM 은 유한한 샷 (shot) 의 양자 측정값에 대한 고전적 후처리에 의존합니다. 이는 완화 알고리즘을 통해 전파되는 통계적 불확실성 (샷 노이즈) 을 초래합니다. 특히, 오류가 완화된 관측가능량은 원시 잡음 상태의 관측가능량보다 더 큰 샷 노이즈 불확실성을 보이는 경우가 많습니다.
• 편향 및 하이퍼파라미터 민감도: QEM 방법들은 자체적인 편향을 도입합니다 (예: 불완전한 노이즈 스케일링이나 부적절한 모델 선택으로 인한 편향). 이러한 방법들의 성능은 "하이퍼파라미터" (예: ZNE 의 노이즈 레벨 수, 샷 분포, 또는 CDR 의 학습 회로 선택) 에 크게 의존합니다. 현재 이러한 하이퍼파라미터들은 휴리스틱하게 선택되며, 불확실성에 대한 강건성을 최적화하기 위한 체계적인 프레임워크가 부족합니다.

오류 완화 결과의 불확실성을 엄밀하게 정량화하거나, 이러한 불확실성 하에서 최악의 경우 오차를 최소화하기 위해 QEM 하이퍼파라미터를 최적화하는 일반적인 접근법은 존재하지 않았습니다.

2. 방법론

저자들은 오류가 완화된 관측가능량을 확률 분포 $P(O_{mitigated})$로 특징지어지는 확률변수로 간주하는 불확실성 하의 강건한 설계 (Robust Design under Uncertainty) 프레임워크를 제안합니다.

A. 전략적 샘플링을 통한 불확실성 정량화

관측가능량의 비율이나 heavy-tailed 분포의 경우 유효하지 않은 경우가 많은 가우시안 분포를 가정하는 대신, 저자들은 오류 완화 결과에 대한 **전략적 샘플링 (strategic sampling)**을 사용합니다.

• 그들은 상대 오차 메트릭 $\eta = \frac{2|O_{exact} - O_{mitigated}|}{|O_{exact} + O_{mitigated}|}$을 정의합니다.
• 그들은 QEM 과정을 반복적으로 샘플링하여 $\eta$(또는 $O_{mitigated}$) 의 통계적 특성을 추정합니다.
• 주요 메트릭: 그들은 비용 함수로서 **Tail Value at Risk (TVaR)**를 도입합니다. TVaR 은 오차 분포의 상단 꼬리 (예: 최악의 경우 오차) 의 기대값을 정량화하여 단순 분산 이상의 강건한 성능 측정을 제공합니다.

B. 대리 모델 기반 최적화

prohibitive 한 양자 자원 비용 없이 QEM 하이퍼파라미터를 최적화하기 위해, 저자들은 **대리 모델 기반 최적화 (surrogate-based optimization)**를 사용합니다:

1. 샘플링: 서로 다른 하이퍼파라미터 세트에 대해 소수의 TVaR 평가를 수행합니다.
2. 대리 모델링: TVaR 지형을 근사하기 위해 고전적 대리 모델 (Radial Basis Function 보간 사용) 을 구축합니다.
3. 최적화: 고전적 최적화기 (예: Differential Evolution) 가 대리 모델을 최소화하여 최적의 하이퍼파라미터를 찾습니다.
4. 부트스트래핑: 양자 샷 비용을 추가로 줄이기 위해 부트스트래핑 기법을 활용합니다. 이는 소규모 초기 데이터셋에서 단일 샷 측정 분포를 추정하고 이를 고전적으로 재샘플링하여 전체 QEM 과정을 시뮬레이션하는 것으로, 양자 하드웨어 요구 사항을 수직으로 감소시킵니다.

3. 주요 기여

1. 일반적 프레임워크: 유효하지 않은 가우시안 가정을 피하면서 어떤 후처리 기반 QEM 기술의 불확실성과 오차를 정량화하는 엄밀하고 편향 없는 방법.
2. 강건한 설계 최적화: 평균 편향이 아닌 최악의 경우 오차 (TVaR) 를 최소화하기 위해 QEM 하이퍼파라미터 (노이즈 레벨, 샷 할당, 학습 회로 분포) 를 최적화하는 체계적인 접근법.
3. 효율성: 현재 초전도 양자 컴퓨터의 실현 가능한 샷 예산으로 고품질 강건한 설계를 달성할 수 있는 대리 모델 기반 최적화 및 부트스트래핑의 입증.
4. 이전 가능성 (Transferability): 한 회로에서 학습된 최적 하이퍼파라미터가 유사한 회로에 효과적으로 이전될 수 있음을 보여주는 증거로, 재최적화 필요성을 줄입니다.

4. 결과

저자들은 6 큐비트 XY 모델 바닥상태에서 **제로 노이즈 외삽 (ZNE)**과 **클리포드 데이터 회귀 (CDR)**라는 두 가지 주요 테스트 사례를 사용하여 프레임워크를 검증했습니다.

제로 노이즈 외삽 (ZNE)

• 설정: 고정된 총 샷 예산 ($10^5$) 하에서 노이즈 레벨 수 ($n$) 와 샷 할당 매개변수 ($\alpha$) 를 최적화했습니다.
• 결과:
  • 최적화는 TVaR(최악의 경우 오차) 을 무작위 선택 시 0.142에서 최적화 시 0.116으로 체계적으로 감소시켰습니다.
  • 최적 전략은 외삽을 위해 더 높은 노이즈 레벨을 포함하면서도 더 낮은 노이즈 레벨에 더 많은 샷을 할당하는 것이었습니다.
  • 이전 가능성: 원래 회로에 최적화된 하이퍼파라미터를 20 개의 수정된 회로에 적용했습니다. 이전된 매개변수는 각 회로를 개별적으로 재최적화하여 얻은 것과 거의 동일한 TVaR 값을 산출하여 높은 일반화 능력을 입증했습니다.
  • 효율성: 부트스트래핑을 사용하면 결과의 질을 희생하지 않고 최적화를 위한 총 샷 비용을 $3 \times 10^9$에서 $10^7$로 감소시킬 수 있었습니다.

클리포드 데이터 회귀 (CDR)

• 설정: 기대 상대 오차 $\langle \eta \rangle$를 최소화하기 위해 학습 회로의 정확한 기대값 분포 (매개변수 $y_{max}$와 지수 $a$) 를 최적화했습니다.
• 결과:
  • 프레임워크는 균일한 학습 데이터 분포 ($a=1$) 가 비최적임을 확인했습니다.
  • 강건한 설계는 데이터를 0 에서 약간 벗어나게 군집화하는 최적 매개변수 ($y_{max} \approx 0.87, a \approx 1.2$) 를 찾아 완화 품질을 크게 향상시켰습니다.
  • 반면, 프레임워크는 오차를 최대화하는 하이퍼파라미터 (데이터를 0 근처에 군집화) 를 성공적으로 식별하여 학습 데이터 분포에 대한 CDR 의 민감성을 확인했습니다.

5. 의의

이 연구는 근미래 양자 컴퓨팅의 근본적인 병목 현상인 오류 완화와 유한 샘플링으로 인한 통계적 불확실성 사이의 트레이드오프를 해결합니다.

• 신뢰성: 평균이 아닌 최악의 시나리오 (TVaR) 에 초점을 맞춤으로써, 이 방법은 통계적 변동에 대한 양자 연산의 강건성을 보장하며, 이는 신뢰할 수 있는 과학 및 산업 응용에 필수적입니다.
• 확장성: 대리 모델과 부트스트래핑의 사용은 샷 비용이 prohibitive 할 수 있는 깊은 회로의 경우에도 강건한 설계를 계산적, 실험적으로 실현 가능하게 만듭니다.
• 일반화 가능성: 이 프레임워크는 ZNE 나 CDR 로 제한되지 않으며, 고전적 후처리를 포함하는 모든 QEM 방법에 적용되어 양자 하드웨어가 발전함에 따라 향후 오류 완화 프로토콜을 체계적으로 조정할 수 있는 경로를 제공합니다.

요약하자면, 이 논문은 양자 측정의 고유한 불확실성에 견딜 수 있는 양자 오류 완화 전략을 설계하기 위한 수학적으로 엄밀하고 실용적으로 효율적인 툴킷을 제공합니다.