Learning symmetry-protected topological order from trapped-ion experiments

본 논문은 해석 가능한 매개변수를 활용하여 사전 훈련 없이 비자명한 문자 질서를 감지하는 비지도 텐서 커널 서포트 벡터 머신 (TK-SVM) 이 이온 덫 양자 컴퓨터에서 생성된 잡음이 포함된 실험 데이터로부터 대칭성 보호 위상적 상을 성공적으로 식별하고 구별할 수 있음을 보여줍니다.

핵심

거대한 시끄러운 방에 수천 명의 사람 (양자 입자) 이 가득 차 있다고 상상해 보세요. 당신은 사람들이 혼란스럽고 무작위하게 모여 있는 군중 (위상적으로 자명한 위상) 에 서 있는지, 아니면 오직 그들만이 볼 수 있는 매우 구체적이고 비밀스러운 패턴으로 손을 잡고 있는지 알고 싶어 합니다.

문제는 방이 시끄럽고 사람들이 빠르게 움직이며 한 번에 모두를 볼 수 없다는 점입니다. 당신은 작은 창문으로 살짝 엿보아 몇몇 사람만 빠르게 찍은 스냅샷을 얻을 수 있을 뿐입니다.

이 논문은 컴퓨터에게 이러한 지저분한 스냅샷을 보고 "이 사람들은 비밀스러운 패턴으로 손을 잡고 있는 것일까, 아니면 그냥 무작위로 서 있는 것일까?"를 파악하도록 가르치는 것에 관한 것입니다.

연구자들이 이를 어떻게 수행했는지 간단한 단계로 나누어 설명합니다:

1. 실험: 시끄러운 양자 놀이터

연구자들은 레이저로 고정된 가둬진 이온 (작은 전하를 띤 원자) 으로 구축된 두 가지 다른 유형의 "양자 놀이터"를 사용했습니다.

• 놀이터 A (큐비트): 동전이 앞면 또는 뒷면인 것과 같은 표준적인 두 상태 입자를 사용합니다.
• 놀이터 B (큐트리트): 동전이 앞면, 뒷면, 또는 세로로 서 있는 상태가 될 수 있는 것과 같은 세 가지 상태 입자를 사용합니다.

그들은 이러한 놀이터를 프로그래밍하여 두 가지 유형의 상태를 만들었습니다.

• "지루한" 상태: 단순하고 무작위적인 배열.
• "비밀스러운 패턴" 상태: 동전 놀이터의 경우 클러스터 상태 (Cluster State) 또는 세 가지 상태 놀이터의 경우 AKLT 상태로 알려진 복잡한 배열. 이러한 것들은 연구자들이 찾고자 했던 "비밀스러운 패턴" 물리학의 유명한 예시들입니다.

기계들이 "시끄럽기" 때문에 (흔들리는 카메라처럼 실수를 일으킵니다), 그들이 얻은 데이터는 지저분했습니다.

2. 도구: "패턴 탐정" (TK-SVM)

보통 컴퓨터에게 패턴을 인식하도록 가르치려면 먼저 수천 개의 라벨이 붙은 예시 (예: "이것은 비밀스러운 패턴입니다", "이것은 무작위입니다") 를 보여줘야 합니다. 이는 간식으로 개를 훈련시키는 것과 같습니다.

하지만 이 논문은 TK-SVM (텐서 커널 서포트 벡터 머신) 이라는 특별한 도구를 사용했습니다. 이 도구는 훈련 매뉴얼이 필요 없는 초지능 탐정이라고 생각하세요.

• 비지도 학습: 무엇을 찾아야 하는지 알려주지 않고 데이터를 살펴봅니다. 그저 "이 두 그룹의 스냅샷이 서로 다른 범주에 속할 정도로 충분히 다르게 보일까요?"라고 묻습니다.
• 해석 가능성: 이것이 마법 같은 부분입니다. 대부분의 AI 는 "블랙박스" (답은 주지만 그 이유를 알 수 없음) 입니다. 이 탐정은 노트를 보관합니다. 두 그룹이 다르다고 결정할 때, 그 결정을 내리기 위해 사용한 정확한 규칙을 적어냅니다. "이 특정 연결의 문자열을 보았기 때문에 이 둘이 다르다는 것을 압니다"라고 알려줍니다.

3. 방법: "그림자" 사진 촬영

데이터를 얻기 위해 그들은 입자를 직접 보지 않았습니다. 대신 섀도 토모그래피 (Shadow Tomography) 라는 기법을 사용했습니다.

• 어둠 속에서 다양한 각도에서 손전등을 비추어 벽에 비친 그림자를 보며 3D 물체의 모양을 파악하려고 시도한다고 상상해 보세요.
• 연구자들은 양자 시스템을 다양한 무작위 각도에서 "스냅샷"을 찍었습니다.
• 그런 다음 이 스냅샷들을 TK-SVM 탐정에게 입력했습니다.

4. 결과: 비밀스러운 패턴 찾기

연구자들은 탐정을 두 놀이터 (동전 놀이터와 세 가지 상태 놀이터) 모두에서 테스트했습니다.

• 성공했을까요? 네. 기계들이 시끄럽고 실수를 했음에도 불구하고, 탐정은 "지루한" 상태와 "비밀스러운 패턴" 상태를 성공적으로 분리했습니다.
• 무엇을 배웠을까요? 도구가 "해석 가능"하기 때문에 연구자들은 탐정의 노트를 읽을 수 있었습니다. 그들은 도구가 이러한 비밀스러운 패턴을 설명하는 물리학자들이 사용하는 유명한 수학 규칙 ( 스트링 순서 매개변수라고 함) 을 재발견했다는 것을 발견했습니다.
  • "지루한" 상태의 경우, 탐정은 "모두 그냥 여기에 서 있다"와 같은 단순한 지역적 규칙을 발견했습니다.
  • "비밀스러운 패턴" 상태의 경우, 탐정은 "A 사람은 B 사람과 연결되고, B 사람은 C 사람과 연결되며, 이는 줄곧 끝까지 이어진다"와 같은 길고 구불구불한 규칙을 발견했습니다.

5. 왜 이것이 중요한가

이 논문은 복잡한 물리학을 이해하기 위해 완벽하고 오류가 없는 양자 컴퓨터가 필요하지 않음을 보여줍니다. 오늘날 우리가 가진 "시끄러운" 기계 (NISQ 장치라고 함) 로도 교묘한 고전적 머신 러닝을 사용하여 다음을 수행할 수 있습니다:

1. 양자 데이터를 서로 다른 위상으로 분류합니다.
2. 기계의 "노트"를 읽음으로써 그들이 왜 다른지 이해합니다.

이는 흐린 카메라를 사용하더라도, 지능적인 탐정이 군중이 동기화된 줄로 춤을 추고 있는지 아니면 무작위로 떠돌아다니고 있는지 여전히 파악할 수 있음을 증명하는 것과 같습니다. 이는 완벽한 기술을 기다리지 않고도 오늘날의 불완전한 양자 컴퓨터를 사용하여 거대한 물리학 문제를 해결할 수 있다는 희망을 줍니다.

기술 요약

기술 요약: 트랩드 이온 실험을 통한 대칭성 보호 위상 질서 학습

문제 제기
현재의 노이즈가 있는 중간 규모 양자 (NISQ) 장치는 높은 충실도의 연산과 범용 연결성을 갖추고 있지만, 크기가 제한적이며 오류에 취약하여 완전한 오류 내성을 갖추지 못했습니다. 핵심적인 과제는 오류 내성 이전 시대에 이러한 장치가 제한된 양자 측정으로부터 가치 있는 정보를 추출함으로써 실용적인 유용성을 제공할 수 있는지 여부를 규명하는 것입니다. 고전적 머신러닝 (ML) 은 양자 데이터의 후처리에 유용함이 입증되었으나, 표준 알고리즘들은 종종 사전 훈련 (지도 학습) 을 필요로 하며 휴리스틱적이거나 해석이 어렵습니다. 또한, 전형적인 양자 데이터셋은 전체 상태 단층 촬영과 같은 작업을 위한 정교한 딥러닝 모델을 훈련시키기에는 너무 작습니다. 여기서 다루는 구체적인 문제는 사전 라벨링 없이 노이즈가 있는 실험 데이터로부터 직접 양자 위상, 특히 대칭성 보호 위상 (SPT) 위상과 자질구레한 위상 (trivial phase) 을 구별하는 비지도 분류 및 특성 규명입니다.

방법론
저자들은 트랩드 이온 양자 컴퓨터의 데이터를 분석하기 위해 비지도 및 해석 가능한 머신러닝 알고리즘인 텐서 커널 서포트 벡터 머신 (TK-SVM) 을 활용합니다. 방법론은 다음과 같은 주요 단계를 거칩니다:

1. 상태 준비: 연구는 얕은 양자 회로를 통해 준비할 수 있는 낮은 결합 차원 (low bond dimension) 을 가진 두 가지 매트릭스 곱 상태 (MPS) 계열을 조사합니다.
   • 스핀-1/2 계열: $g$라는 매개변수에 의해 지배되는 클러스터 상태 (SPT 위상) 와 자질구레한 곱 상태 사이의 보간을 이루는 매개변수화된 상태 집합.
   • 스핀-1 계열: 스핀-1 힐베르트 공간에 대한 대응하는 상태 집합으로, 전형적인 SPT 사례인 Affleck-Kennedy-Lieb-Tasaki (AKLT) 상태를 포함합니다.
2. 실험적 구현: 이러한 상태는 두 가지 서로 다른 트랩드 이온 플랫폼에서 준비됩니다.
   • 큐비트 기반 머신 ($^{40}\text{Ca}^+$ 이온 사용): 큐비트 쌍을 통해 스핀-1 상태를 시뮬레이션.
   • 큐트리트 기반 머신 ($^{40}\text{Ca}^+$ 사용): 고유한 3 준위 시스템 활용.
   • 회로는 최대 8 개의 큐비트와 5 개의 큐트리트로 구성된 체인에서 구현됩니다.
3. 측정 프로토콜: 실험은 상호 무편향 기저 (MUB) 기반의 정보적으로 완전한 양의 연산자 값 측정 (POVM) 을 활용합니다. 각 시스템에 대해 무작위 단일 사이트 유니터리 연산이 물리적 자유도를 MUB 중 하나로 회전시킨 후, 계산 기저에서 투영 측정을 수행합니다. 이를 통해 양자 상태의 "스냅샷"이 생성됩니다.
4. 머신러닝 파이프라인:
   • 특징 추출: 원시 MUB 샘플은 그림자 단층 촬영 (shadow tomography) 을 통해 처리되어 $n$개 사이트 클러스터의 특정 순위 $r$까지 국소 관측량과 그 상관관계 (단항식) 를 추정합니다. 이들은 특징 벡터 $\phi$를 형성합니다.
   • 이진 분류 (비지도): TK-SVM 은 서로 다른 매개변수 ($g$ 및 $g'$) 에서 샘플링된 데이터셋 쌍에 적용됩니다. 알고리즘은 분리 초평면을 찾으려 시도합니다. 데이터셋이 서로 다른 위상에 속하면 SVM 은 편향 매개변수 $|b| \lesssim 1$을 갖는 해를 찾습니다. 동일한 위상에 속하면 데이터셋은 분리 불가능하며 $|b| \gg 1$이 됩니다.
   • 위상도 구성: 모든 $g$ 값 쌍을 테스트함으로써 편향을 반영하는 가중 그래프가 구성됩니다. Fiedler 이론 (스펙트럴 클러스터링) 이 이 그래프에 적용되어 매개변수 공간을 서로 다른 위상으로 분할합니다.
   • 특성 규명: 위상이 식별되면 TK-SVM 은 특정 위상을 무작위 균일 샘플과 구별하도록 훈련됩니다. 결과적으로 얻은 결정 함수 계수는 해당 위상을 특징짓는 구체적인 국소 연산자 (질서 매개변수) 를 드러냅니다.

주요 기여

• 비지도 위상 감지: 이 연구는 TK-SVM 이 위상 경계나 라벨에 대한 사전 지식 없이 양자 시스템의 위상도를 성공적으로 식별할 수 있음을 보여주며, 지도 학습의 필요성을 효과적으로 제거합니다.
• 해석 가능성: "블랙박스" 딥러닝 모델과 달리 TK-SVM 은 해석 가능한 훈련 매개변수를 제공합니다. 편향 항은 위상 분리를 결정하고, 결정 함수의 계수 벡터는 SPT 위상을 특징짓는 스트링 질서 매개변수를 명시적으로 인코딩합니다.
• NISQ 하드웨어에서의 실험적 검증: 이 방법은 두 가지 서로 다른 트랩드 이온 아키텍처 (큐비트와 큐트리트) 로부터의 실제 노이즈가 있는 실험 데이터에 적용되어, 실험적 결함에도 불구하고 SPT 위상과 자질구레한 위상을 성공적으로 구별했습니다.
• 스핀-1 시스템으로의 확장: 이 연구는 스핀-1/2 클러스터 모델에 대한 이전 작업을 더 복잡한 스핀-1 AKLT 모델로 확장하여 큐트리트 하드웨어에서 접근법의 유효성을 검증했습니다.

결과

• 위상 분류: TK-SVM 은 모든 노이즈가 있는 실험 데이터셋에 대해 스핀-1/2 및 스핀-1 계열 모두에서 SPT 위상 ($g < 0$) 과 자질구레한 상자성 위상 ($g > 0$) 을 성공적으로 구별했습니다.
• 질서 매개변수 추출:
  • 스핀-1/2 SPT 위상의 경우, 알고리즘은 $Z_i Y_{i+1} (\prod X_j) Y_{r-1} Z_r$ 형태의 비자명한 스트링 질서 매개변수를 식별했습니다.
  • 스핀-1 SPT 위상의 경우, 알려진 AKLT 스트링 질서와 일치하는 $\tau^z$ 연산자가 포함된 스트링 질서 매개변수를 식별했습니다.
  • 자질구레한 위상의 경우, 알고리즘은 국소 질서 매개변수 (예: 스핀-1/2 의 $\langle X \rangle$ 및 스핀-1 의 $(\tau^x)^2 + (\tau^y)^2$) 를 식별하여 곱 상태에 근접함을 확인했습니다.
• 플랫폼 비교: 큐비트 구현은 큐비트 설정에서 더 높은 2-큐비트 게이트 충실도와 낮은 크로스토크로 인해 큐트리트 구현보다 약간 더 일관된 위상 분류 결과를 제공했습니다. 그러나 두 플랫폼 모두 위상을 특징짓는 올바른 국소 관측량을 성공적으로 식별했습니다.
• 강건성: 이 방법은 실험적 노이즈에 대해 강건하여, 불완전한 상태 준비 및 측정에서도 위상을 정확하게 식별했습니다.

의의 및 주장
이 논문은 NISQ 시대에 양자 위상도를 효율적으로 조사하기 위한 강력한 도구로서, 특히 TK-SVM 접근법을 포함한 고전적 머신러닝을 주장합니다. 저자들은 그들의 방법이 확장 가능하며 더 큰 양자 시스템에 적용하기 위해 수정이 필요하지 않음을 강조하며, 오류 수정 없이도 실용적인 양자 우월성으로 이어지는 경로를 시사합니다. 이 연구는 그림자 단층 촬영과 해석 가능한 ML 을 결합하여 전체 상태 단층 촬영이나 사전 이론적 라벨링의 필요성을 우회하고 노이즈가 있는 실험 데이터로부터 직접 물리적 통찰력 (예: 스트링 질서 매개변수) 을 추출하는 유용성을 부각시킵니다. 이 결과는 NISQ 장치가 전체 다체 파동함수를 시뮬레이션하는 것보다 특정 물리적 정보를 추출하는 데 주된 가치가 있는 양자 시뮬레이터로 사용될 수 있음을 보여주는 원리 증명 (proof-of-principle) 역할을 합니다.