Deep Neural Network-assisted improvement of quantum compressed sensing tomography

기술 요약: 양자 압축 센싱 토모그래피의 개선을 위한 심층 신경망 지원 기법

문제 정의
양자 상태 토모그래피(QST)는 큐비트 수($n$)에 따라 힐베르트 공간 차원($d=2^n$)이 지수적으로 증가하는 근본적인 확장성 문제에 직면해 있다. 양자 압축 센싱(CS)은 저계수 밀도 행렬을 위해 필요한 측정을 $O[rd \log^2(d)]$(여기서 $r$은 계수/rank)로 줄임으로써 해결책을 제시하지만, 그 효용성은 정보가 완전한(informationally complete) 영역이나 측정된 파울리 관측량($K$)의 수가 특정 이론적 경계값을 만족하는 경우로 제한된다. CS 재구성이 성공적인 것을 보장하기에 충분하지 않은 정보 불완전 시나리오에서는, 결과적인 추정치($\rho_{cs}$)가 부정확할 수 있다. 또한, 표준 CS 최적화는 볼록 최적화(convex optimization) 문제로서, 양자 상태의 특정 통계적 분포를 본질적으로 고려하지 않으므로 데이터가 부족한 상황에서 최적이 아닌 재구성을 생성할 가능성이 있다.

방법론
저자들은 볼록 최적화(CS)와 심층 신경망(DNN) 기반의 후처리 단계, 그리고 가용한 밀도 행렬 공간으로의 투영을 결합한 하이브리드 프로토콜을 제안한다. 워크플로우는 다음 세 가지 주요 단계로 구성된다:

1. 초기 재구성: 표준 CS 알고리즘(트레이스 노름 최소화)이 측정된 파울리 상관 함수(Pauli correlators)의 부분 집합으로부터 초기 추정치 $\rho_{cs}$를 생성한다. 이 상태는 "노이즈가 섞인" 입력값 역할을 한다.
2. 심층 지도 학습 기반 디노이징(Deep-Supervised Denoising): 지도 학습 기반 디노이저로 훈련된 DNN은 입력 상관 함수 벡터 $\vec{c}_{cs}$(로부터 유도됨)를 타겟 벡터 $\vec{c}_{org}$(로부터 유도됨)로 매핑한다. 네트워크 아키텍처는 GELU 활성화 함수를 사용하는 컨볼루션 레이어와 인코더-트랜스포머를 결합한다. 훈련 데이터셋은 순수 하르 무작위 상태(pure Haar-random states)와 그에 대응하는 제한된 측정 기반의 CS 재구성으로부터 유도된 상관 함수 쌍들로 구성된다.
3. 가용 공간 투영(Feasible Projection): DNN 출력은 제약이 없으며 양의 준정부호(PSD) 또는 트레이스-1 조건을 위반할 수 있으므로, 디노이징된 상태 $\rho_{den}$은 유클리드 투영 단계를 통해 가용한 집합 $\Omega$(측정된 데이터와 호환되는 유효한 밀도 행렬들의 집합)로 다시 투영된다. 이를 통해 최종적인 물리적 추정치 $\rho_{denproj}$를 얻는다.

저자들은 또한 디노이징과 투영 단계를 반복하여 상태 추정을 더욱 정교화하는 루프 추론(looped inference), 즉 고정점(fixed-point) 접근법을 조사한다. 또한, 순수 상태($p=0$)로만 훈련된 모델이 재훈련 없이 탈분극 노이즈($p > 0$)가 있는 혼합 상태를 효과적으로 재구성할 수 있는지 테스트함으로써 분포 외(Out-of-Distribution, OOD) 능력을 탐구한다.

주요 결과
수치 시뮬레이션은 균일한 측정 설정($X^{\otimes4}, Y^{\otimes4}, Z^{\otimes4}$)에서 유도된 45개의 상관 함수를 사용하여 4-큐비트 시스템에 대해 수행되었다.

• 분포 내(In-Distribution, ID) 성능: 순수 타겟 상태에 대해, 이 프로토콜은 원시 CS 재구성에 비해 평균 양자 충실도(fidelity)를 약 4.7%, 평균 순도(purity)를 약 13% 증가시켰다.
• 분포 외(Out-of-Distribution, OOD) 성능: 순수 상태로만 훈련된 모델을 사용하여 탈분극 노이즈($p \in [0, 0.2]$)가 있는 혼합 상태에 적용했을 때, 단일 단계 추론은 낮은 노이즈 수준($p \le 0.1$)에서 충실도 이득을 보였으나, 노이즈가 증가함에 따라 성능이 저하되었다.
• 루프 추론(Looped Inference): 고정점 루프(디노이징과 투영 단계를 반복, 예: $n_l=3$)를 구현하는 것은 견고성을 크게 향상시켰다. 이 접근법은 순수 상태에 대해 **~11%**의 충실도 이득을 달성했으며, 탈분극 강도가 $p=0.2$인 혼합 상태에서도 양(+)의 이득을 유지했다.
• 적용 범위: 이 방법은 상관 함수의 수가 유의미한 CS 베이스라인을 제공하기에는 충분하지만 완벽한 재구성을 하기에는 불충분한 영역(4-큐비트 기준 약 20개에서 64개 사이의 상관 함수)에서 효과적이다. 만약 $K$가 너무 낮으면 입력이 네트워크가 학습하기에 너무 노이즈가 심하며, $K$가 너무 높으면 CS 재구성이 이미 완벽에 가깝다.

의의 및 주장
본 논문은 이 접근 방식이 새로운 실험 데이터를 요구하지 않고도 표준 CS 프로토콜이 성공을 보장하지 못하는 영역에서 양자 상태 재구성을 개선하는 실행 가능한 방법을 제공한다고 주장한다. 주요 기여는 다음과 같다:

• 데이터 효율성: 이 방법은 DNN에 인코딩된 양자 상태의 통계적 분포를 활용하여 불완전한 CS 재구성을 "디노이징"함으로써, 추가적인 측정 없이도 정확도를 높인다.
• 일반화: OOD 탐지 원리를 활용함으로써, 이 프로토콜은 순수 상태로만 훈련된 모델을 사용하여 혼합 상태를 재구성할 수 있음을 입증하며, 이는 다양한 노이즈 수준에 대해 네트워크를 재훈련할 필요를 제거한다.
• 반복적 정교화: 고정점 추론 루프의 도입은 추가적인 성능 향상을 가능하게 하여, 지도 학습의 잠재적 적용 범위를 확장한다.
• 물리적 일관성: 컨벡스 투영 단계의 통합은 최종 출력이 물리적으로 유효한 밀도 행렬임을 보장하며, 이는 제약이 없는 신경망 접근법에서 흔히 발생하는 비물리적 출력 문제를 해결한다.

저자들은 현재의 연구가 완벽한 상관 함수 추정을 가정하고 있지만, 이 프레임워크가 샘플링 노이즈가 있는 시나리오와 잠재적으로 양자 채널 또는 검출기 토모그래피로의 확장을 위한 토대를 제공한다고 결론짓는다.