Automatic Structural Search of Tensor Network States including Entanglement Renormalization

본 연구는 강한 무질서 재규격화 군(strong disordered renormalization group)과 같은 기존의 설계 방식들로 초기화되었을 때 비균일한 얽힘 상태를 표현하는 정확도를 향상시키기 위해 변분 에너지에 기반하여 국소 구조를 최적화하는 얽힘 재규격화(entanglement renormalization)를 포함한 텐서 네트워크 상태의 자동적 구조 탐색을 위한 알고리즘을 제시한다.

핵심

당신이 한정된 수의 레고 브릭을 사용하여 복잡하고 무질서한 방을 완벽한 모델로 만들려고 노력하고 있다고 상상해 보십시오. 양자 물리학의 세계에서 이 "브릭"들은 **텐서 네트워크(Tensor Networks)**라고 불립니다. 이것들은 입자들이 서로 어떻게 "얽혀 있는지"(연결되어 있는지)를 설명하는 데 사용되는 수학적 구조입니다.

문제는 양자 시스템이 항상 깔끔하고 정돈되어 있지는 않다는 점입니다. 때로는 연결이 균일할 수도 있지만, 종종 어떤 구석은 빽빽하게 채워져 있고 다른 곳은 비어 있는 것처럼, 연결이 무질서하고 불규칙하며 "불규칙한(disordered)" 경우가 많습니다. 만약 당신이 표준적이고 경직된 레고 디자인을 이 무질서한 방에 억지로 끼워 맞추려 한다면, 브릭을 아무리 많이 사용하더라도 모델은 부정확할 것입니다.

이 논문은 단순히 미리 형태를 추측하는 대신, 방의 특정한 무질서함에 맞춰 레고 브릭을 자동으로 재배치하는 새로운 방법을 소개합니다.

핵심 아이디어: "구조적 탐색(Structural Search)"

텐서 네트워크를 순서도나 가계도라고 생각해 보십시오.

• 기존 방식: 과학자들은 보통 표준적인 형태(예: 다층 스케일 얽힘 재규격화 접근법, 즉 MERA와 같이 깔끔하고 대칭적인 트리 구조)를 선택한 다음, 그 브릭 안에 들어가는 숫자들을 더 잘 작동하도록 미세하게 조정하기만 합니다. 이것은 마치 사각형 못을 억지로 구멍에 맞추기 위해 못을 찌그러뜨리는 것과 같습니다.
• 새로운 방식 (이 논문): 저자들은 이렇게 말합니다. "단순히 못을 찌그러뜨리지 말고, 구멍의 모양 자체를 바꾸자." 그들은 브릭들을 연결하는 다양한 방법들을 자동으로 테스트하는 알고리즘을 만들었습니다. 이 알고리즘은 작은 연결 쌍들을 살펴보고, 그것들을 재배치해 본 뒤, 다음과 같이 질문합니다. "이 새로운 모양이 시스템의 에너지를 낮추는가?" 만약 답이 '예'라면, 그 변화를 유지합니다.

도전 과제: "국소 최솟값(Local Minimum)"에 갇히는 문제

안개가 자욱한 산맥을 하이킹하며 가장 낮은 골짜기(완벽한 해답)를 찾는다고 상상해 보십시오.

• 만약 당신이 발 바로 앞의 지면만 본다면, 작은 움푹 팬 곳을 발견하고 "여기가 바닥이다!"라고 생각할 수도 있습니다. 하지만 당신은 바로 다음 언덕 너머에 훨씬 더 깊은 골짜기가 있다는 사실을 놓치고 있을지도 모릅령다. 수학에서는 이를 **국소 최솟값(local minimum)**에 빠졌다고 합니다.
• 이를 해결하기 위해, 저자들은 물리학에서 빌려온 **복제 교환(Replica Exchange)**이라는 기법을 사용했습니다. 8명의 서로 다른 하이커(복제본)를 동시에 보낸다고 상상해 보십시오. 어떤 하이커들은 자유롭게 돌아다니도록 허용되는 반면(높은 "온도"), 다른 하이커들은 매우 신중하게 움직입니다(낮은 "온도"). 이들은 가끔씩 서로 위치를 바꿉니다. 이를 통해 신중한 하이커들이 자신들을 가로막고 있는 작은 언덕들을 뛰어넘을 수 있게 하여, 그룹 전체가 진정으로 가장 깊은 골짜기를 찾을 수 있도록 돕습니다.

테스트 내용

저자들은 자신들의 "자동 재배치 도구"를 두 가지 특정 유형의 양자 시스템에 대해 테스트했습니다.

1. 테트라머 모델 (The Tetramer Model, "완벽한 퍼즐"):
   그들은 이미 정답을 알고 있는 시스템(특정한 네 입자 그룹의 배열)에서 시작했습니다. 표준적인 MERA 형태에서 시작하여 알고리즘이 네트워크를 재배치하도록 했습니다.

   • 결과: 알고리즘은 네트워크를 완벽하게 알려진 정답과 일치할 때까지 재형성하는 데 성공했습니다. 이는 이 방법이 작동함을 증명합니다.

2. 무작위 XY 모델 (The Random XY Model, "무질서한 방"):
   이 시스템은 가구가 무작위로 흩어져 있는 방처럼 무작위적인 무질서가 존재하는 시스템입니다. 그들은 두 가지 시작점에서 이 방법을 테스트했습니다.

   • 시작점 A: 표준적이고 깔끔한 MERA 트리.
   • 시작점 B: 무질서한 시스템을 위해 설계된 다른 방법(SDRG)에 의한 형태.
   • 결과: 두 경우 모두 알고-리즘은 정확도를 개선했습니다(에너지 오차를 낮추고 모델을 실제에 더 충실하게 만듦). 그러나 시작점 B가 훨씬 더 효과적이었습니다.
   • 교훈: 무질서한 방을 고치는 것과 같습니다. 만약 무질서함을 이미 고려한 청사진(SDRG)을 가지고 시작한다면, 자동 재배치 도구는 환상적인 성능을 발휘할 수 있습니다. 만약 완벽하고 빈 방을 위한 청사진(MERA)으로 시작한다면, 여전히 도움이 되긴 하지만 훨씬 더 많은 노력이 필요합니다. 논문은 최상의 결과를 얻기 위해서는 좋은 시작 형태를 얻기 위한 스마트한 "전처리" 단계가 매우 중요하다는 결론을 내립니다.

이것이 왜 중요한가

이 논문은 단순히 내부의 숫자를 바꾸는 것이 아니라 네트워크의 구조 자체를 자동으로 변경할 수 있게 함으로써, 더 많은 컴퓨팅 파워(더 많은 "브릭")를 필요로 하지 않고도 복잡한 양자 시스템을 훨씬 더 정확하게 묘축할 수 있다고 주장합니다.

또한 저자들은 이 방법이 노이즈가 있는 중간 규모 양자(NISQ) 장치에 특히 유용하다고 언급했습니다. NISq 장치는 오류가 발생하기 쉬운 초기 단계의 양자 컴퓨터입니다. 이러한 기계들을 위한 "회로"(네트워크 구조)를 설계하는 더 나은 방법을 갖는 것은, 현재의 한계 속에서도 문제를 더 효과적으로 해결하는 데 도움이 될 수 있습니다.

요약하자면: 저자들은 양자 모델의 연결을 시스템의 특정한 "무질서함"에 맞게 재배치하는 스마트하고 자동화된 도구를 만들었습니다. 그들은 표준 모델을 완벽한 모델로 변환함으로써, 그리고 무질서한 시스템에서 (특히 좋은 시작 청사진을 제공했을 때) 모델을 크게 개선할 수 있음을 보여줌으로써 이 방법이 작동함을 증명했습니다.

기술 요약

기술 요약: 얽힘 재정규화(Entanglement Renormalization)를 포함한 텐서 네트워크 상태의 자동 구조 탐색

문제 정의
얽힘 재정규화(ER)를 포함하는 텐서 네트워크(TN) 상태, 특히 다중 척도 얽힘 재정규화 접근법(MERA)은 얽힌 양자 상태를 표현하는 강력한 도구이다. 그러나 비균일한 얽힘 구조(예: 무질서하거나 화학적인 시스템)를 가진 양자 상태를 고정된 자유도로 정확하게 표현하기 위해서는 TN 토폴로지가 기저의 얽힘 패턴과 정밀하게 일치해야 한다. 고정된 구조 내에서 텐서 원소를 최적화하는 것은 표준적인 방법이지만, ER-TN을 위한 구조 자체를 최적화하는 것은 조합론적 과제로서 그동안 거의 다뤄지지 않았다. TTN(Tree Tensor Networks)과 같은 국소 구조를 재구성하려는 기존의 시도들은 내부 루프(internal loops)의 존재로 인해 얽힘 엔트로피 및 이분(bipartitioning) 평가가 복잡해지는 ER-TN에 적응하는 데 어려움을 겪는다. 또한, 기존의 구조 탐색 알고리즘은 에너지 지형(energy landscape)에서 국소 최솟값(local minima)을 벗어나는 유연성이 부족한 경우가 많다.

방법론
저자들은 변분 에너지(variational energy)에 대한 국소 텐서 쌍의 재구성을 기반으로 한 ER-TN의 최적 구조 탐색을 위한 자동화된 체계를 제안한다. 핵심 알고리즘은 고정된 결합 차원($\chi=2$) 제약 조건 하에서 작동하며 다음 단계로 진행된다:

1. 국소 구조 재구성: 알고리즘은 네트워크 내에서 인접한 텐서 쌍을 선택한다. 이는 등거리 조건(isometric conditions)을 만족하는 가능한 모든 국소 토폴로지 구성(예: 디스엔탱글러 $u$, 아이소메트리 $v$, 상부 텐서 $t$의 조합)을 고려한다.
2. 변분 최적화: 각 후보 국소 구조에 대해, 두 텐서는 변분 에너지 $E = \langle \Psi | H | \Psi \rangle$를 최소화하도록 업데이트된다. 저자들은 등거리 제약을 유지하면서 텐서를 업데이트하기 위해 리만 최적화(특히 Stiefel 다양체 상의 Adam 알고리즘)를 활용한다. 업데이트 과정 중 학습률(learning rate)은 점진적으로 감소한다.
3. 확률적 선택: 국소 최솟값에 갇히는 것을 방방지하기 위해, 새로운 국소 구조의 선택은 결정론적이지 않다. 대신, 알고리즘은 볼츠만 분포를 사용하는 히트 배스(heat-bath) 방법을 채택한다: $P_i \propto \exp(-\beta E_i)$, 여기서 $E_i$는 $i$번째 구조 후보의 에너지이고 $\beta$는 역온도이다.
4. 레플리카 교환(Replica Exchange): 국소 최솟값 문제를 추가로 해결하기 위해, 저자들은 레플리카 교환 방법을 도입한다. 서로 다른 $\beta$ 값을 가진 여러 레플리카가 병렬로 실행된다. 인접한 레플리카들은 메트로폴리스 수락 확률에 따라 교환되며, 이를 통해 시스템이 에너지 지형을 더 효과적으로 탐색할 수 있게 한다.
5. 전역 업데이트: 구조 탐색 루프가 완료된 후, 새롭게 결정된 구조를 고정한 상태에서 네트워크의 모든 텐서가 전역적으로 업데이트된다.

이 방법은 두 가지 특정 양자 시스템인 스핀-1/2 테트라머 싱글렛 모델(spin-1/2 tetramer singlet model)과 1D 랜덤 XY 체인을 대상으로 벤치마킹되었다.

주요 결과
본 연구는 두 가지 서로 다른 모델에 대한 수치 시뮬레이션을 통해 알고리즘을 검증하였다:

• 스핀-1/2 테트라머 모델: 알고리즘은 표준 1D 바이너리 MERA 구조로부터 시작하여 테트라머 싱글렛 상(phase)의 정확한 바닥 상태를 성공적으로 재구성했다. 테트라머 싱글렛 상($J'/J \approx 0$)에서 알고리즘은 정확한 바닥 에너지에 수렴했다. 단순한 싱글렛의 곱으로 나타나지 않는 홀데인 상($J'/J = 0.7411$)에서는, 알고리즘이 상대 에너지 오차를 $4.30 \times 10^{-2}$에서 $9.88 \times 10^{-5}$로 크게 줄였다. 레플리카 교환 및 히트 배스 방법의 포함은 수렴에 결정적인 것으로 나타났는데, 이러한 기능 없이 결정론적 업데이트만 수행했을 때는 개선이 미미했기 때문이다.
• 1D 랜덤 XY 체인: 알고리즘은 시스템 크기 $N=8$ 및 $N=16$인 랜덤 시스템에 적용되었다. 두 가지 초기 구조가 테스트되었다: 표준 바이너리 MERA와 강한 무질서 재정규화 그룹(SDRG) 방식으로부터 유도된 하위 최적 구조(ER-SDRG).
  • 에너지 및 충실도(Fidelity): 구조 탐색은 두 초기 구조 모두에 대해 변분 에너지, 충실도 및 얽힘 엔트로피를 개선했다.
  • 전처리(Preprocessing)의 중요성: 개선 효과는 표준 MERA에 비해 ER-SDRG 구조에서 시작했을 때 훨씬 더 뚜렷하게 나타났다. 예를 들어, $N=8$에서 평균 상대 에너지 오차 감소율은 ER-SDRG의 경우 24.9%였던 반면 MERA는 1.37%였다. 이는 기존의 TN 설계 방법(예: SDRG)을 전처리 단계로 활용하는 것이 구조 탐색의 성능을 극대화함을 시사한다.
  • 얽힘 엔트로피: 이 방법은 서브시스템 크기에 따른 평균 얽힘 엔트로피를 개선하였으며, 이는 무질서한 시스템에서 기대되는 로그 스케일링과 더 잘 일치한다.

의의 및 주장
본 논문은 루프가 있는 네트워크와 관련된 계산적 및 알고리즘적 난관을 극로하는 ER-TN을 위한 자동 구조 탐색의 첫 번째 시연을 제공한다고 주장한다. 직접적인 얽힘 엔트로피 평가(루프가 있는 네트워크에서는 어렵음) 대신 변분 에너지를 가이드로 삼아 국소 구조를 재구성하는 데 집중함으로써, 이 방법은 비균일 시스템을 위한 TN 토폴로지 최적화를 위한 실질적인 경로를 제시한다.

저자들은 이 접근 방식이 일반적인 등거리 TN 상태를 확장하며, 특히 소규모 조사가 중요한 통찰을 제공하는 NISQ(Noisy Intermediate-Scale Quantum) 장치의 맥락에서 양자 정보 처리 및 양자 컴퓨팅에 이익을 줄 수 있다고 강조한다. 본 연구는 방법론이 효과적임을 입증하면서도, 향후 연구에서 결합 차원의 확장, 루프 구조에 대한 효율적인 수축(contraction) 기법 개발, 그리고 대규모 시스템을 다루기 위한 알고리즘의 병렬화가 필요함을 밝히며 마무리된다. 또한 저자들은 자신들의 방법이 인접 게이트 쌍을 타겟팅하고 확률적 선택을 도입한다는 점에서, 연결성 최적화를 위한 차별화된 접근 방식을 제공하며 자동 양자 회로 인코딩(AQCE)과 같은 기존 알고리즘을 보완한다고 언급하였다.