Hamiltonian-reconstruction distance as a success metric for the Variational Quantum Eigensolver

본 논문은 실제 진 ground 상태에 대한 사전 지식이 필요 없이 솔루션의 품질을 효과적으로 평가하고 오류로 인한 조기 종료를 방지함을 시뮬레이션과 클라우드 기반 포획 이온 실험을 통해 입증하는 실용적 성공 지표로서 해밀토니안 재구성 거리를 제안하고 검증한다.

핵심

이 논문은 간단한 언어와 창의적인 비유를 사용하여 설명합니다.

큰 문제: 계곡의 바닥을 추측하기

어둡고 안개가 자욱한 계곡의 가장 깊은 바닥을 찾으려 한다고 상상해 보세요. 이 계곡은 복잡한 양자 시스템을 나타내며, 바닥은 '바닥 상태 (ground state)', 즉 가장 안정적이고 에너지가 가장 낮은 상태를 의미합니다. 당신은 계곡을 돌아다니며 현재 위치의 높이를 알려주는 로봇 (변분 양자 고유값 솔버, VQE) 을 가지고 있습니다.

로봇의 목표는 절대적으로 가장 낮은 지점을 찾는 것입니다. 이를 위해 로봇은 걸음을 내딛고 높이를 확인한 후 더 낮아지도록 경로를 조정합니다.

하지만 함정이 있습니다: 당신은 지도가 없으며, 진짜 바닥이 어디에 있는지 모릅니다. 오직 로봇의 현재 높이만 알 뿐입니다.

보통 로봇은 더 이상 낮아지지 않는다고 느낄 때 멈춥니다. "좋아, 더 이상 내려가지 못하네. 내가 바닥에 도착한 것 같아"라고 말합니다. 하지만 여기서 위험이 있습니다. 로봇은 진짜 바닥처럼 보이지만 실제로는 그렇지 않은 작은 평평한 잔디밭 (국소 최소값) 에 갇혀 있을 수 있습니다. 너무 일찍 멈추면 해법을 찾았다고 생각하지만, 실제로는 여전히 언덕 위에 갇혀 있는 것입니다.

새로운 도구: '모양 변형자' 테스트

이 논문의 저자들은 지도 없이 로봇이 진짜 바닥을 찾았는지 확인하는 새로운 방법을 제안합니다. 이를 해밀토니안 재구성 (HR) 거리라고 부릅니다.

다음은 비유입니다:
계곡은 해밀토니안이라는 일련의 규칙으로 정의된 매우 구체적이고 독특한 모양을 가지고 있다고 가정해 봅시다. 로봇은 이 모양을 모방하려고 노력합니다.

1. 옛날 방식: 당신은 로봇의 고도 (에너지) 만 봅니다. 고도가 더 이상 떨어지지 않으면 작업이 끝났다고 가정합니다.
2. 새로운 방식 (HR 거리): 당신은 로봇에게 "지금 서 있는 위치를 바탕으로 이 계곡의 규칙이 무엇이라고 생각하나요?"라고 묻습니다.
   • 로봇은 주변을 분석하여 계곡을 만든 규칙을 재구성하려고 시도합니다.
   • 그런 다음 로봇이 추측한 규칙과 계곡의 실제 규칙을 비교합니다.
   • 측정 기준: 로봇이 진짜 바닥에 서 있다면, 규칙에 대한 추측이 완벽할 것입니다. 추측과 진실 사이의 '거리'는 0 이 됩니다.
   • 로봇이 가짜 평평한 곳에 갇혀 있다면, 규칙에 대한 추측이 틀릴 것입니다. 로봇이 고도가 변하지 않아 작업이 끝났다고 생각하더라도 '거리'는 커집니다.

그들이 한 일

연구자들은 IonQ 의 클라우드 기반 포획 이온 양자 컴퓨터와 컴퓨터 시뮬레이션을 사용하여 스핀 모델이라고 불리는 두 가지 특정 유형의 양자 퍼즐에 이 아이디어를 테스트했습니다.

• 테스트: 로봇 (VQE) 을 실행하여 계곡의 바닥을 찾았습니다.
• 결과: 여러 경우에서 로봇의 고도 (에너지) 가 변하지 않아 작업이 끝난 것처럼 보였습니다. 그러나 HR 거리는 여전히 높았습니다. 이는 연구자들에게 "이봐, 로봇은 작업이 끝났다고 생각하지만 실제로는 여전히 가짜 곳에 갇혀 있어. 계속 진행해!"라고 알려주었습니다.
• 상관관계: 로봇이 진짜 바닥에 가까워질수록 HR 거리는 작아졌습니다. 이는 거짓말하지 않는 신뢰할 수 있는 '진행률 표시줄'처럼 작용했습니다.

중요한 한계 (세부 사항)

이 논문은 이 도구가 마법이 아니라고 매우 신중하게 강조합니다. 이 도구는 특정 조건에서 가장 잘 작동합니다:

• 간격이 중요합니다: 바닥과 다음으로 높은 단계 사이에 명확한 '절벽'이 있어야 합니다. 바닥이 너무 평평하거나 다음 단계와 너무 가까우면 테스트가 혼란에 빠집니다.
• 잡음이 중요합니다: 실제 양자 컴퓨터는 '잡음'이 있습니다 (정적 소음이 있는 라디오처럼). 잡음이 너무 크면 로봇의 규칙 추측이 흐려지고 HR 거리 측정치의 정확도가 떨어집니다.
• 연습이 필요합니다: 이 테스트가 유용해지기 위해서는 로봇이 거의 작업을 마칠 상태에 가까워져야 합니다. 걷기 시작하자마자 테스트하면 잘못된 안도감을 줄 수 있습니다.

결론

이 논문은 해밀토니안 재구성 거리가 양자 컴퓨터를 위한 유용한 새로운 '점검 경고등'이라고 주장합니다.

"우리가 충분히 낮은가?"라고 묻는 것 (이는 오해의 소지가 있을 수 있음) 대신, "우리가 풀고 있는 문제의 모양을 이해하고 있는가?"라고 묻습니다. 답이 "아니오"라면, 에너지 수치가 작업이 끝난 것처럼 보이더라도 컴퓨터는 계속 탐색해야 한다는 것을 알게 됩니다. 이는 알고리즘이 너무 일찍 멈추고 잘못된 답을 내놓는 것을 방지하는 데 도움이 됩니다.

기술 요약

기술 요약: 변분 양자 고유값 솔버의 성공 지표로서의 해밀토니안 재구성 거리

문제 제기
변분 양자 고유값 솔버 (VQE) 는 근미래의 잡음이 있는 중규모 양자 (NISQ) 하드웨어에서 양자 시스템을 시뮬레이션하기 위한 선도적인 하이브리드 양자 - 고전 알고리즘입니다. VQE 의 주요 목표는 휴리스틱하게 대상 해밀토니안의 바닥 상태와 바닥 상태 에너지를 찾는 것입니다. VQE 에서 그리고 다른 휴리스틱 바닥 상태 찾기 알고리즘들에서 공통적으로 직면하는 중요한 과제는, 참된 바닥 상태와 그 에너지가 알려지지 않았을 때 출력 솔루션의 품질을 판단하는 것입니다.

일반적인 중단 기준은 종종 에너지가 평탄화되는 것 (즉, 반복 간에 에너지가 더 이상 급격히 변하지 않는 것) 에 의존합니다. 그러나 저자들은 이것이 잘못된 조기 종료를 초래할 수 있다고 지적합니다. 알고리즘이 에너지의 정체 현상을 참된 바닥 상태로의 수렴으로 오인하여, 최적이 아닌 국소 최소값이나 황량한 평탄 (barren plateau) 에서 멈추는 경우입니다. 해밀토니안 분산과 같은 기존 지표들은 종종 효과적이기 위해 사례별 해석이나 바닥 상태에 대한 사전 지식을 필요로 합니다.

방법론: 해밀토니안 재구성 (HR) 거리
신뢰할 수 있고 바닥 상태에 무관한 지표의 부재를 해결하기 위해, 저자들은 해밀토니안 재구성 (HR) 거리, 즉 $\Delta(\bar{\theta})$를 제안하고 연구합니다. 이 지표는 고유 상태가 주어졌을 때 부모 해밀토니안을 추론하는 해밀토니안 재구성의 이론적 프레임워크에서 유도됩니다.

방법론은 다음과 같이 진행됩니다:

1. 연산자 선택: 그 스패인이 참된 대상 해밀토니안 $\hat{H}_{\text{True}}$를 포함하도록 연산자 집합 $\{\hat{H}_i\}$을 선택합니다. 연구된 특정 모델들 (1 차원 횡방향 자기장 이징 모델과 2 차원 $J_1-J_2$ TFIM) 의 경우, 저자들은 참된 해밀토니안에 존재하는 항들에 해당하는 연산자들 (예: $\sum \sigma^x_i$ 및 $\sum \sigma^z_i \sigma^z_{i+1}$) 을 선택합니다.
2. 측정: VQE 최적화 과정에서 이러한 연산자와 그 상관관계들의 기댓값을 측정하여 공분산 행렬 $Q(\bar{\theta})$를 구성합니다.
3. 재구성: 이 공분산 행렬의 최소 고유값에 해당하는 고유벡터는 재구성된 해밀토니안 $\hat{H}_R = \sum \tilde{c}_i \hat{H}_i$에 대한 계수 $\{\tilde{c}_i\}$를 제공합니다. 변분 상태가 $\hat{H}_{\text{True}}$의 정확한 고유 상태라면, $\hat{H}_R$은 $\hat{H}_{\text{True}}$와 같아야 합니다.
4. 지표 계산: HR 거리는 재구성된 해밀토니안의 계수 벡터와 참된 해밀토니안의 알려진 계수 벡터 사이의 $L_2$ 거리로 정의됩니다:
   $$\Delta(\bar{\theta}) = \| \vec{\tilde{c}}(\bar{\theta}) - \vec{c} \|_2$$
   결정적으로, 이 계산은 참된 바닥 상태 에너지나 참된 바닥 상태 파동함수에 대한 지식이 아니라 해밀토니안 자체의 구조만 필요합니다.

실험 및 시뮬레이션 설정
저자들은 HR 거리 지표를 다음과 같이 평가했습니다:

• 클라우드 기반 하드웨어 실험: IonQ 의 Harmony 포획 이온 양자 컴퓨터를 사용했습니다.
  • 시스템 1: 11 큐비트 1 차원 횡방향 자기장 이징 모델 (1D-TFIM).
  • 시스템 2: 6 큐비트 2 차원 $J_1-J_2$ 횡방향 자기장 이징 모델 ($3 \times 2$ 격자).
  • 앙사츠: CNOT 게이트 수를 최소화하고 상태 준비 오류를 줄이기 위해 교차 레이어 앙사츠 (ALA) 를 사용했습니다.
• 수치 시뮬레이션: HR 거리와 충실도 간의 상관관계에 대한 디폴라리제이션 잡음 (1 및 2 큐비트 게이트 오류) 과 샷 잡음의 영향을 분석하기 위해 광범위한 시뮬레이션을 수행했습니다.

주요 결과

1. 조기 수렴 진단: 1 차원 및 2 차원 모델 모두에서 HR 거리는 VQE 에너지가 수렴한 것처럼 보이지만 (평탄화됨) 솔루션이 최적이지 않은 경우를 성공적으로 식별했습니다. 이러한 시나리오에서 HR 거리는 유의미하게 0 이 아니었습니다 (예: 11 큐비트 시뮬레이션에서 0.4 주변으로 변동), 상태가 바닥 상태가 아님을 올바르게 나타냈으며, 반면 에너지 지표는 수렴을 시사했습니다.
2. 충실도 및 에너지와의 상관관계:
   • VQE 가 수렴에 가까울 때, HR 거리는 참된 바닥 상태에 대한 충실도 (상태 중첩) 와 강한 음의 상관관계를 보였습니다.
   • VQE 솔루션과 참된 바닥 상태 사이의 에너지 차이와는 양의 상관관계를 보였습니다.
   • 이 상관관계는 다음과 같은 특정 조건 하에서 유지되었습니다: (1) VQE 최적화가 수렴 근처에 있음, (2) 바닥 상태와 첫 번째 들뜬 상태들 사이의 에너지 갭이 충분히 큼, (3) 게이트 충실도가 충분히 높음.
3. 잡음 민감도:
   • 게이트 오류: 1 및 2 큐비트 게이트 오류 확률이 증가함에 따라 HR 거리와 충실도 간의 상관관계가 저하되었습니다. 높은 잡음 수준에서 HR 거리는 충실도의 단독 지표로서 덜 신뢰할 수 있게 되었습니다.
   • 샷 잡음: HR 거리 측정을 위한 합리적인 신호 대 잡음비를 얻기 위해서는 많은 수의 샷 (약 $10^4$) 이 필요했습니다.
   • 에너지 갭: 바닥 상태와 첫 번째 들뜬 상태 사이의 에너지 갭이 작을 때, HR 거리는 그 특이성을 잃었으며 들뜬 상태에 대한 충실도와도 음의 상관관계를 보여 진단을 복잡하게 만들었습니다.
4. 분산과의 비교: 저자들은 HR 거리를 해밀토니안 분산과 비교했습니다. 분산도 솔루션이 바닥 상태에 접근함에 따라 감소하지만, 그 범위는 해밀토니안에 의존적이므로 보편적인 중단 임계값을 설정하기 어렵습니다. 반면, HR 거리는 0 과 1 사이로 정규화되어 서로 다른 해밀토니안 간에 더 일관된 지표를 제공합니다.

의의 및 주장
이 논문은 해밀토니안 재구성 거리가 참된 바닥 상태나 바닥 상태 에너지에 대한 사전 지식을 필요로 하지 않고 NISQ 하드웨어에서 VQE 알고리즘의 성공을 평가하는 실용적이고 실험적으로 접근 가능한 지표를 제공한다고 주장합니다.

• 진단 유용성: 특히 에너지가 오해의 소지가 있는 평탄화를 보일 때, VQE 반복의 잘못된 조기 중지를 방지하는 진단 도구 역할을 합니다.
• 효율성: 이 지표는 해밀토니안의 항 수에 비례하는 다항식 수의 측정만 필요로 하므로 계산 효율적입니다.
• 미래 적용: 저자들은 HR 거리가 VQE 최적화를 위한 다목적 비용 함수에 통합될 수 있다고 제안합니다. 에너지와 HR 거리를 동시에 최소화함으로써, VQE 는 에너지가 동일하더라도 바닥 상태에 대한 더 높은 충실도를 가진 상태를 찾을 수 있으며, 이는 황량한 평탄과 같은 문제를 완화할 수 있습니다.

저자들은 겸손한 어조를 유지하며, 이 지표의 신뢰성은 하드웨어 충실도와 에너지 갭에 의존적이며, 참된 바닥 상태를 아는 완벽한 대체제가 아니라 보완적인 진단 도구로 간주되어야 함을 인정합니다.