Light Cone Cancellation for Variational Quantum Eigensolver in Solving Noisy Max-Cut

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 변분 양자 고유값 솔버 (VQE) 는 양자 - 고전 하이브리드 알고리즘으로, 주어진 해밀토니안의 바닥 상태 에너지를 추정하는 데 사용됩니다. 이는 최대 컷 (Max-Cut) 과 같은 조합 최적화 문제 (COP) 를 해결하는 데 적용될 수 있습니다.
• 문제점:
  • 노이즈와 오류: 현재 NISQ(Noisy Intermediate-Scale Quantum) 시대의 양자 하드웨어는 노이즈와 디코히어런스에 취약합니다. 큐비트 수와 게이트 수가 증가할수록 오류율이 급격히 상승하여 계산 정확도가 떨어집니다.
  • 확장성: 대규모 문제를 해결하려면 많은 큐비트가 필요하지만, 실제 하드웨어의 제한으로 인해 전체 회로를 시뮬레이션하거나 실행하는 것이 어렵습니다.
  • 기존 방법의 한계: QAOA(Quantum Approximate Optimization Algorithm) 와 달리 VQE 는 문제 의존적이지 않은 정적 안사츠 (Ansatz) 를 사용하지만, 노이즈 환경에서 성능이 저하될 수 있습니다.

2. 제안된 방법론: Light Cone Cancellation (LCC) 기반 VQE

이 논문은 Light Cone Cancellation (LCC) 기법을 VQE 에 적용하여 Max-Cut 문제를 해결하는 방법을 제안합니다.

• 핵심 원리:
  • VQE 에서 기대값 (Expectation Value) 을 계산할 때, 관측 가능한 (Observable) 지역적 연산자와 교환 법칙 (Commutation) 을 따르는 불필요한 게이트들이 존재합니다.
  • LCC 는 이러한 중복된 게이트들을 사전에 제거하여, 전체 회로 대신 소규모 서브회로 (Subcircuits) 만을 사용하여 기대값을 계산합니다.
• 구체적 적용 (Max-Cut 및 2-local Ansatz):
  • 연구진은 단일 층 (Single-layer) 의 2-local 안사츠 (Ry 게이트와 원형 CZ 엔탱글먼트) 를 사용했습니다.
  • 해밀토니안의 각 항 (ZiZj) 에 대해 LCC 를 적용하면, 전체 $N$개의 큐비트 대신 최대 5 개의 큐비트만 필요한 서브회로로 분해됩니다.
  • 수식적 관계: $k$-local 관측 가능량을 가진 해밀토니안의 경우, $L$개의 층을 가진 안사츠에 대해 LCC 후 필요한 최대 큐비트 수는 $n_q = 2kL + 1$로 결정됩니다. (Max-Cut 의 경우 $k=2$, $L=1$이므로 $n_q \le 5$)
• 작동 프로세스:
  1. 전체 Max-Cut 해밀토니안을 지역적 항들로 분해.
  2. 각 항에 대해 LCC 를 적용하여 필요한 큐비트 수가 적은 서브회로 생성.
  3. 각 서브회로에서 기대값을 계산 (작은 큐비트 수로 시뮬레이션 가능).
  4. 계산된 값들을 합쳐 전체 기대값을 재구성하고 고전 최적화기를 통해 파라미터 업데이트.

3. 주요 기여 (Key Contributions)

1. 큐비트 수 감소 및 확장성 확보: LCC 를 통해 100 개 이상의 노드를 가진 Max-Cut 문제도 최대 5 개의 큐비트만 사용하여 시뮬레이션할 수 있음을 증명했습니다. 이는 지수적 스케일링을 다항식 스케일링 (그래프의 엣지 수) 으로 전환하는 효과를 가져옵니다.
2. 노이즈 완화 (Noise Mitigation):
   • 게이트 수 감소: 불필요한 게이트 제거로 인해 회로 깊이가 줄어들어 하드웨어 노이즈의 영향을 감소시킵니다.
   • 작은 장치 활용: 전체 회로를 시뮬레이션할 수 없는 대규모 문제도 LCC 를 통해 7 큐비트와 같은 작은 노이즈 장치에서 실행 가능해집니다.
3. 레이어 수에 대한 분석: 안사츠의 층 수 (Layers) 가 증가할수록 LCC 로 제거할 수 있는 게이트가 줄어들어 서브회로 크기가 커지고, 최적화 난이도 (국소 최소값 문제) 가 증가함을 분석하여 단일 층 (Single-layer) 안사츠가 노이즈 환경에서 가장 효과적임을 보였습니다.

4. 실험 결과 (Results)

연구진은 Qiskit 의 가짜 노이즈 백엔드 (FakeCasablanca: 7 큐비트, FakeParis: 27 큐비트) 를 사용하여 시뮬레이션을 수행했습니다.

• 노이즈 환경에서의 성능 비교:
  • 7 큐비트 (LCC 적용) vs 27 큐비트 (LCC 미적용): LCC 를 적용하여 7 큐비트 장치에서 100 노드까지 문제를 해결한 결과, 27 큐비트 장치에서 LCC 없이 실행한 경우보다 높은 근사비 (Approximation Ratio, AR) 를 보였습니다. 이는 노이즈 감소와 작은 장치의 낮은 오류율이 결합된 효과입니다.
  • 동일 장치 (27 큐비트) 비교: 동일한 27 큐비트 장치에서 LCC 적용 여부에 따른 비교 시, LCC 적용 시 모든 36 개 인스턴스에서 더 높은 AR 을 기록했습니다. 특히 문제 크기가 클수록 (노이즈 영향이 큰 경우) LCC 의 이점이 뚜렷했습니다.
• 노이즈 없는 환경 (Goemans-Williamson 알고리즘 대비):
  • 100 정점의 그래프에서 LCC-VQE 를 고전적인 Goemans-Williamson (GW) 알고리즘과 비교했습니다.
  • 결과: 낮은 차수 (Degree) 의 정규 그래프에서는 GW 가 우세했으나, 고차수 (Dense graphs) 그래프에서는 LCC-VQE 가 GW 를 능가하는 성능을 보였습니다. 특히 $d \ge 9$인 그래프에서 LCC-VQE 의 중앙값 및 상위 사분위수 AR 이 GW 보다 높았습니다.

5. 의의 및 결론 (Significance)

• 실용적 가치: LCC-VQE 는 현재의 NISQ 하드웨어 제약 내에서 대규모 조합 최적화 문제를 해결할 수 있는 실현 가능한 경로를 제시합니다.
• 효율성: 안사츠의 층 수를 줄임으로써 VQE 가 QAOA 보다 적은 층으로 높은 성능을 낼 수 있음을 재확인했고, 이를 통해 LCC 적용 시 큐비트 절감 효과를 극대화했습니다.
• 향후 전망: 이 연구는 VQA(변분 양자 알고리즘) 가 노이즈 영향을 완화하면서 확장성을 확보할 수 있음을 보여주며, 다른 조합 최적화 문제나 다른 양자 알고리즘 (QAOA 등) 에 LCC 를 적용하는 연구로 확장될 수 있는 기초를 마련했습니다.

요약하자면, 이 논문은 Light Cone Cancellation 기법을 VQE 에 도입하여, 노이즈가 있는 양자 하드웨어에서 대규모 Max-Cut 문제를 해결할 때 큐비트 수와 게이트 수를 획기적으로 줄임으로써 노이즈 영향을 완화하고, 고전 알고리즘 (GW) 대비 밀집 그래프에서 우수한 성능을 입증한 연구입니다.