기술 요약: 양자 물질의 상(Phase)을 위한 상태 준비 회로 학습

문제 정의

양자 컴퓨터를 이용한 물리계의 시뮬레이션은 다체 바닥 상태(many-body ground states)의 효율적인 준비를 필요로 한다. 역학 시뮬레이션은 상당한 알고리즘적 진전(예: qubitization, unitaries의 선형 결합)을 이루었으나, 초기 저에너지 상태를 준비하는 것은 여전히 병목 구간으로 남아 있다. 양자 위상 추정(Quantum Phase Estimation)과 같은 기존 방법들은 타겟 바닥 상태와 높은 중첩(overlap)을 갖는 초기 상태를 필요로 하므로, 해당 상태를 준비할 수 있는 저복잡도 회로를 찾는 방법이 필수적이다.

기존의 접근 방식들은 대개 상태에 대한 효율적인 고전적 기술(예: 텐서 네트워크, stabilizer 상태)에 의존하거나, 상태가 상수 깊이(constant-depth) 회로에 의해 준비 가능하다고 가정한다. 최근의 한 방법[18]은 $O(1)$ 크기의 부분계에 대한 축소 밀도 행렬(reduced density matrices, RDMs)로부터 상태 준비 회로를 학습하는 것을 보여주었으나, 이는 1차원 및 2차원에 국한되었으며 보조 큐비트(ancilla)가 없는 상수 깊이 회로로 준비 가능한 상태에만 적용되었다. 이는 토릭 코드(toric code)와 같이 상수 깊이 회로로는 준비할 수 없으며 시스템 크기에 따라 회로 깊이가 스케일링되어야 하는(예: 2D에서 $\Omega(\sqrt{n})$) 위상적 질서(topological order)를 가진 중요한 물리적 상들을 배제한다.

본 논문은 다음을 포함한 더 넓은 범위의 양자 상에 대한 상태 준비 회로 학습 문제를 다룬다:

1. 임의의 차원에서 (보조 큐비트를 포함할 수 있는) 단거리 얽힘(short-range entangled, invertible) 상태.
2. 2차원의 장거리 얽힘(long-range entangled) 상태(구체적으로 토릭 코드 및 스트링 넷 모델과 같은 "액체형" 위상 질서를 가진 상태). 단, 이들은 유일한 바닥 상태(예: 구 위에서의 상태)이거나 그 부분계여야 한다.

방법론

핵심 이론적 프레임워크는 양자 마르코프 체인 조건의 완화된 형태인 국소적 확장 가능성(locally extendible states) 개념에 기반한다.

1. 국소적 확장 가능성 및 복구(Recovery)

상태는 특정 부분계 분할(예: $BCDE$)에 대한 축소 밀도 행렬이 더 작은 분할(예: $BE$)로부터 양자 채널을 통해 복구될 수 있을 때 국소적으로 확장 가능하다고 정의된다. 구체적으로, 순수화(purification) $\rho_{ABCDE}$에 대해, $\rho_{ABC} = I_A \otimes \Phi(\rho_{ABE})$를 만족하는 채널 $\Phi: \mathcal{D}_{BE} \to \mathcal{D}_{BC}$가 존재해야 한다.

• 강건성(Robustness): 표준 양자 마르코프 체인 조건과 달리, 국소적 확장 가능성(특히 논문에서 정의된 분할에 대한 것)은 부분계가 회로 깊이에 비해 충분히 큰 경우, 기하학적으로 국소적인 상수 깊이 회로 하에서도 안정적임이 증명되었다.
• 검증: 저자들은 확장 가능성을 검증하고 확장 채널을 찾는 다항 시간의 고전적 알고리즘을 제공한다. 이는 복구 충실도(fidelity of recovery)를 최대화하는 준정부호 계획법(SDP) 문제로 정식화된다. 또는, 확장 맵의 회로 구조가 알려져 있다면 게이트에 대한 무차별 탐색(brute-force search)을 수행할 수 있다.

2. 스티칭(Stitching)을 통한 회로 구축

전역 상태 준비 회로는 국소적 확장 맵들을 "스티칭(stitching)"하여 구축된다.

• 단거리 얽힘 상태: 전역 상태는 서로 떨어진 영역들을 연결하는 확장 맵들을 순차적으로 적용함으로써 구축되며, 이는 국소 패치로부터 전역 시스템으로 상태를 성장시키는 효과를 갖는다. 이는 결과적으로 상수 깊이 회로(또는 $k$차원에서 $O(kd)$ 깊이)를 생성한다.
• 장거리 얽힘 상태: 토릭 코드와 같은 상태의 경우, 상태를 레이어별로 구축하는 순차적 패턴(sequential circuit과 유사)을 따른다. 이는 2D에서 $O(\sqrt{n})$으로 스케일링되는 회로 깊이를 생성하며, 이는 기하학적으로 국소적인 회로로서 점근적으로 최적이다.

3. 학습 알고리즘

학습 알고리즘은 다음과 같이 작동한다:

1. 토모그래피(Tomography): $O(1)$ 크기의 볼(ball)에 대해 국소 상태 토모그래피를 수행하여 근사적인 축소 밀도 행 matrices를 얻는다.
2. 확장 학습(Extension Learning): SDP(또는 무차별 탐색) 방법을 사용하여 이러한 국소 RDM들에 대한 확장 채널을 학습한다.
3. 오차 누적(Error Accumulation): 누적된 오차가 목표치를 초과하면 로컬 볼의 반경을 반복적으로 증가시킨다.
4. 합성(Composition): 학습된 확장 맵들을 합성하여 전역 상태 준비 회로를 형성한다.
5. 인증(Certification): 국소 조건(확장 가능성)이 충족되면, 결과 회로는 타겟 상태를 지정된 트레이스 거리(trace distance) 내에서 준비함이 보장된다. 만약 상태가 타겟 클래스에 속하지 않는다면 알고리즘은 다항 시간 내에 회로를 찾는 데 실패할 수 있으나, 발견된 모든 회로는 엄격하게 인증된다.

주요 기여 및 결과

1. 임의 차원 및 보조 큐비로의 일반화

저자들은 가역적 상태(invertible states) (보조 큐비트를 사용한 상수 깊이 회로로 준비 가능한 상태)에 대한 알고리즘을 임의의 공간 차원 $k$에 대해 제시한다.

• 정리 1: 깊이 $d$인 회로에 의해 준비된 $n$-큐비트 가역적 상태의 샘플이 주어졌을 때, 알고리즘은 트레이스 거리 $\epsilon$ 내에서 회로를 학습한다.
  • 복잡도: $O(ke^{O(dk)})$ 깊이의 회로를 $\tilde{O}(e^{O(dk)}n^3/\epsilon^2)$ 시간에 출력하거나, $O(kd)$깊이의 회로를$O((n/\epsilon)^{O(dk)})$ 시간에 출력할 수 있다.
  • 의의: 이는 이전 연구[18]를 고차원 및 더 일반적인 가역적 상태(Kitaev의 $E_8$ 상태와 같이 보조 큐비트가 필요한 상태 포함)로 일반화한다.

2. 2D 장거리 얽힘 상태 학습

저자들은 토릭 코드 및 스트링 넷 모델을 포함하여 2차원의 장거리 얽힘 상태(액체형 위상 질서)의 하위 클래스에 대한 알고리즘을 제시한다.

• 정리 2 (비형식적): 특정 국소 조건을 만족하는 장거리 얽힘 상태에 깊이 $d$인 회로를 적용하여 형성된 $n$-큐비트 상태의 샘플이 주어졌을 때, 알고리즘은 기하학적으로 국소적인 회로를 학습한다.
  • 범위: 이 결과는 특히 유일한 바닥 상태(예: 구 위의 토릭 코드) 또는 그러한 상태의 부분계에 적용된다. 알고리즘의 구체적인 입력 요구 사항은 균일한 경계 조건을 가진 디스크 상의 상태(예: 매끄러운 경계 조건을 가진 디스크 상의 토릭 코드 바닥 상태)이다. 이는 국소적으로 구별 불가능한 상태가 존재하는 퇴화된 바닥 상태 부공간(예: 혼합된 매끄럽고 거친 경계를 가진 토릭 코드)에는 적용되지 않는다.
  • 복잡도: $O(\sqrt{n}e^{O(d^2)})$ 깊이의 회로를 $\tilde{O}(n^3/\epsilon^2)$ 시간에 출력하거나, $O(d\sqrt{n})$ 깊이의 회로를 $O((n/\epsilon)^{O(d^2)})$ 시간에 출력할 수 있다.
  • 최적성: $\sqrt{n}$ 깊이 스케일링은 위상적 질서 바닥 상태를 준비하는 기하학적 국소 회로에 대해 점근적으로 최적임이 증명되었다.

3. 강건성 및 인증

이 방법은 상수 깊이 회로 하에서의 국소적 확장 가능성의 안정성에 의존한다. 이를 통해 알고리즘은 이상적인 상(phase)의 섭동(perturbation)인 상태들에 대해서도 회로를 학습할 수 있다. 또한, 알고리즘은 엄격한 보증을 제공한다: 만약 알고리즘이 회로를 출력한다면, 입력 상태가 사전에 타겟 클래스에 속하는지 여부와 관계없이 해당 회로는 약속된 정확도로 상태를 준비한다.

의의 및 주장

본 논문은 많은 수의 바에도 불구하고 국소 축소 밀도 행렬으로부터 직접적으로 많은 종류의 다체 바닥 상태에 대한 상태 준비 회로를 얻을 수 있는 유연하고 효율적인 프레임워크를 제공한다고 주장한다.

• 이론과 실험의 가교: 이 방법은 전체 파동 함수에 대한 완전한 고전적 기술 없이도, 클래식 섀도우(classical shadows)를 사용하여 양자 시뮬레이터나 양자 컴퓨터로부터 직접 상태 준비 회로를 학습할 수 있게 한다.
• 위상 질서 처리: 기존의 상수 깊이 회로 학습 방법으로는 도달할 수 없었던 장거리 얽힘 상태(위상 질서) 학습 문제를 성공적으로 해결하였다(유일한 바닥 상태 또는 그 부분계라는 제약 조건 하에).
• 고전적 계산 가능성: 확장 맵을 찾는 최적화 지형이 준정부호 계획법(SDP)을 통해 고전적으로 다룰 수 있으므로, 임의의 양자 상태를 학습할 때 발생하는 지수적 복잡도를 피할 수 있다.
• 최적성: 장거리 얽힘 상태의 경우, 학습된 회로는 국소성 제약 조건에 의해 요구되는 점근적 최적 깊이 스케일링($\Omega(\sqrt{n})$)을 달ina한다.

저자들은 본 접근 방식이 "액체형" 위상 단계에 국한되어 있으며, 현재 프랙톤(fracton) 단계나 국소적으로 구별 불가능한 퇴화된 바닥 상태 부공간을 가진 상태를 다루지는 못한다고 명시하였다. 또한 준국소 유니터리(quasi-local unitaries) 및 적응형 회로(adaptive circuits)로의 확장은 향후 과제로 남겨두었다.