Bayesian Parameter Shift Rule in Variational Quantum Eigensolvers

본 논문은 가우시안 프로세스를 활용한 파라미터 시프트 규칙의 베이지안 변형을 도입하여 변분 양자 고유값 솔버에서 유연하고 불확실성을 고려한 기울기 추정을 가능하게 하며, 제안된 기울기 신뢰 영역 (GradCoRe) 과 결합될 때 확률적 경사 하강법을 크게 가속화하고 최첨단 최적화 방법보다 우수한 성능을 발휘함을 제시한다.

핵심

거대한 안개 낀 계곡에서 가장 낮은 지점을 찾으려 한다고 상상해 보세요. 이 계곡은 복잡한 양자 시스템의 '에너지'를 나타내며, 당신의 목표는 절대적인 바닥 (바닥 상태) 을 찾는 것입니다. 왜냐하면 그것이 시스템의 가장 안정적인 상태를 알려주기 때문입니다. 이것이 **변분 양자 고유값 솔버 (VQE)**의 역할입니다.

그러나 두 가지 큰 문제가 있습니다:

1. 지도가 노이즈가 많습니다: 양자 컴퓨터에게 특정 지점의 계곡 높이를 물을 때마다, 답변은 정적과 흐림 (노이즈) 을 동반합니다. 마치 허리케인 속에서 속삭임을 듣으려 하는 것과 같습니다.
2. 지도가 비쌉니다: 양자 컴퓨터에게 측정을 요청하는 것은 시간과 자원 측면에서 매우 비용이 많이 듭니다. 바닥을 찾기 위해 가능한 한 적은 질문만 하고 싶을 것입니다.

바닥을 찾기 위해서는 보통 어느 방향이 '아래'인지 (기울기) 를 알아야 합니다. 양자 세계에서는 **파라미터 시프트 규칙 (PSR)**이라는 기법을 사용하여 경사를 파악합니다. PSR 을 표준 레시피로 생각하세요: "여기 경사를 알기 위해서는 정확히 왼쪽 1 미터와 오른쪽 1 미터 지점의 높이를 측정하고, 그 후 몇 가지 계산을 수행해야 합니다."

표준 레시피의 문제점

표준 레시피에는 몇 가지 결함이 있습니다:

• 경직성: 매우 구체적이고 미리 설정된 위치에서만 측정을 요구합니다. 여정 중 일찍이 그 지점들을 측정했다 하더라도, 표준 레시피는 그 데이터를 무시하고 다시 측정하도록 강요합니다.
• 맹목성: 경사에 대한 숫자만 제공하지만, 그 숫자를 얼마나 신뢰할 수 있는지는 알려주지 않습니다. 그 경사가 정확한 것일까요, 아니면 노이즈가 있는 데이터에 기반한 추측일까요?
• 낭비성: 바닥에서 멀리 떨어져 있어 대략적인 방향만 필요할 때나, 바닥에 매우 가까워 극도의 정밀도가 필요할 때나, 종종 동일한 고도의 정밀도 (많은 측정) 를 요구합니다.

새로운 해결책: 베이지안 파라미터 시프트 규칙

이 논문의 저자들은 베이지안 파라미터 시프트 규칙을 사용하여 계곡을 더 지능적으로 항해하는 방법을 제안합니다. 그들은 문제를 '가우시안 프로세스' (유연하고 지능적인 지도처럼 작용하는 정교한 통계 도구) 를 사용하여 미스터리를 해결하는 탐정처럼 취급합니다.

다음은 그들의 새로운 접근 방식이 작동하는 방법입니다. 간단한 비유를 사용했습니다:

1. 유연한 탐정 (유연한 관측)

"여기 저기 정확히 측정하라"는 경직된 레시피를 따르는 대신, 베이지안 방법은 유연한 탐정처럼 행동합니다.

• 단서 재사용: 여정 중 일찍이 한 지점을 측정했다면, 탐정은 그것을 기억합니다. 다시 측정하도록 강요하지 않습니다. 그들은 오래된 단서와 새로운 단서를 결합하여 경사에 대한 더 나은 그림을 얻습니다.
• 어떤 위치든: 사전 승인된 지점이 아닌, 당신이 선택한 어떤 위치에서도 높이를 측정할 수 있습니다. 이를 통해 알고리즘은 훨씬 더 효율적이 될 수 있습니다.

2. 신뢰도 게이지 (불확실성)

표준 레시피는 숫자만 제공합니다. 베이지안 방법은 숫자 그리고 신뢰도 게이지를 제공합니다.

• 탐정이 "경사는 5 도이며, 나는 95% 확신합니다"라고 말한다고 상상해 보세요.
• 그들은 자신의 불확실성이 얼마나 큰지 정확히 알기 때문에 더 지능적인 결정을 내릴 수 있습니다. 신뢰도 게이지가 낮을 때 (불확실성이 높을 때), 더 많은 데이터를 수집해야 함을 압니다. 높다면 다음 단계로 넘어갈 수 있습니다.

3. "GradCoRe" 전략 (지능적인 지출)

이것이 이 논문의 가장 큰 혁신입니다. 그들은 GradCoRe(기울기 신뢰 영역) 라는 개념을 도입합니다.

• 목표: 올바른 방향으로 이동하고 있다는 확신을 갖기에 충분할 정도로 경사를 알면 됩니다. 바닥에서 아직 멀리 떨어져 있다면 완벽한 지도가 필요하지 않습니다.
• 전략: 알고리즘은 "다음 단계를 밟기에 충분히 확신할 수 있도록 지금 몇 개의 측정 (샷) 이 필요한가?"라고 묻습니다.
  • 경사가 가파르고 노이즈가 낮다면, "10 개의 측정만 필요할 것입니다"라고 말할 수 있습니다.
  • 경사가 평탄하고 노이즈가 높다면, "확신하기 위해 1,000 개의 측정이 필요합니다"라고 말할 수 있습니다.
• 결과: 불필요하게 과도하게 측정하는 것을 막아 "돈"(측정 샷) 을 엄청나게 절약합니다.

결과: 경주 달리기

저자들은 시뮬레이션된 양자 컴퓨터에서 이 새로운 방법을 경직된 PSR 과 기타 고급 기법과 같은 기존 표준 방법들과 비교하여 테스트했습니다.

• 더 빠른 수렴: 그들의 방법은 계곡의 바닥을 훨씬 더 빠르게 찾았습니다.
• 더 저렴함: 훨씬 적은 총 측정 횟수로 동일한 (또는 더 나은) 결과를 달성했습니다.
• 최고보다 더 우수함: 정면 대결 테스트에서 그들의 "GradCoRe" 방법은 다른 베이지안 접근법과 전문 최적화 알고리즘을 포함한 현재 최첨단 방법들을 능가했습니다.

요약

옛 방법은 10 번만 측정하면 될 때 100 번의 단계를 밟으며 땅을 측정하는 맹목적으로 엄격한 지도를 따르는 등산객과 같습니다. 새로운 방법은 스마트하고 적응형 GPS 를 가진 등산객과 같습니다. 그들은 어디를 갔는지 기억하고, 지형에 대해 얼마나 확신하는지 정확히 알며, 절대적으로 필요할 때만 새로운 측정을 요청합니다. 이를 통해 그들은 더 빠르고 적은 노력으로 목적지에 도달할 수 있습니다.

이 논문은 이 "스마트 GPS"(베이지안 PSR) 와 "예산 인식 전략"(GradCoRe) 을 사용하면 양자 컴퓨터를 훨씬 더 효율적으로 최적화하여 귀중한 양자 자원을 절약할 수 있음을 증명합니다.

기술 요약

기술 요약: 변분 양자 고유값 솔버의 베이지안 파라미터 시프트 규칙

문제 제기
변분 양자 고유값 솔버 (VQE) 는 물리 시스템의 바닥 상태 에너지를 근사하도록 설계된 하이브리드 양자 - 고전 알고리즘입니다. VQE 최적화의 주요 병목 현상은 반복적인 양자 측정 (샷) 에 의존하는 기울기 추정의 높은 비용입니다. 관측 노이즈는 주로 측정 샷 노이즈에서 기인하며, 정확한 기울기를 얻기 위해 많은 수의 샷이 필요합니다. 표준 파라미터 시프트 규칙 (PSR) 을 사용하는 확률적 경사 하강법 (SGD) 이나 NFT 와 같은 순차적 최소 최적화 (SMO) 변형과 같은 기존 방법들은 종종 반복당 고정된 높은 샷 수를 요구하거나, 최적화의 현재 상태에 따라 관측 비용을 적응적으로 줄이는 메커니즘이 부족합니다. 가우스 프로세스 (GP) 는 VQE 에서 베이지안 최적화 (BO) 에 사용되거나 SMO 방법 (예: EMICoRe, SubsCoRe) 을 개선하는 데 활용되어 왔으나, SGD 에서의 기울기 추정에는 그 적용이 제한적이었습니다. 구체적으로, 관측 위치의 유연성을 제공하고 불확실성을 정량화하며, 총 양자 계산 비용을 최소화하기 위해 과거 데이터를 재사용할 수 있는 기울기 추정 기술이 필요합니다.

방법론
본 논문은 베이지안 파라미터 시프트 규칙 (Bayesian PSR) 과 GradCoRe(Gradient Confident Region) 라는 적응형 최적화 전략을 제안합니다.

1. 베이지안 파라미터 시프트 규칙 (Bayesian PSR):

   • 저자들은 VQE 목적 함수를 물리 정보 기반 VQE 커널을 가진 가우스 프로세스 (GP) 로 모델링합니다. 이 커널은 VQE 목적 함수의 삼각 다항식 구조에서 유도되어, 사전 분포가 양자 회로의 물리적 특성을 반영하도록 보장합니다.
   • 특정 등간격 점 (예: $x \pm \frac{\pi}{2}e_d$) 에서 관측을 요구하는 표준 PSR 과 달리, 베이지안 PSR 은 GP 의 도함수에 대한 사후 평균을 사용하여 기울기를 추정합니다.
   • 이 접근법은 임의의 위치에서의 관측 사용을 허용합니다. 특히, 이전 SGD 반복에서의 관측을 재사용하여 추가적인 양자 측정 없이 기울기 정보를 누적함으로써 추정 정확도를 향상시킬 수 있습니다.
   • 이 방법은 기울기 추정기에 대한 분석적 형태를 제공하며, 측정 전에 기울기 추정의 사후 불확실성을 제공합니다.
   • 이론적 분석 (정리 3.1 및 3.2) 은 무잡음 한계에서 등간격 관측 시 베이지안 PSR 이 일반화된 PSR 로 축소됨을 보여줍니다. 또한, 잡음이 있는 1 차 경우 ($V_d=1$) 에서 기울기 불확실성을 최소화하기 위한 표준 시프트 파라미터 $\alpha = \pi/2$가 최적임을 밝힙니다.

2. GradCoRe(Gradient Confident Region)

   • 베이지안 PSR 로부터의 불확실성 정보를 활용하여, 저자들은 기울기 추정의 사후 분산이 지정된 임계값 이하인 영역으로 정의된 GradCoRe 를 도입합니다.
   • SGD-GradCoRe 알고리즘은 각 반복에서 필요한 측정 샷 수를 적응적으로 결정합니다. 현재 최적 점이 GradCoRe 내에 있도록 하는 최소 총 샷 수를 찾기 위해 최적화 문제를 풉니다.
   • 필요한 정확도 임계값은 추정된 기울기의 노름에 따라 동적으로 조정되어, 기울기가 작을 때 (수렴 근처) 또는 함수가 평평할 때는 샷 수를 줄이고, 더 높은 정밀도가 필요할 때는 샷 수를 늘립니다.

주요 기여

• 베이지안 PSR 제안: VQE 커널을 가진 GP 를 활용하여 임의의 위치에서 관측된 데이터로 기울기를 추정하고, 불확실성 정보에 직접 접근할 수 있는 기존 PSR 의 유연한 변형입니다.
• 이론적 통합: 베이지안 PSR 과 기존 PSR 간의 수학적 관계를 확립하여, 잡음이 있는 1 차 경우에서 불확실성을 최소화하기 위한 표준 시프트 파라미터 ($\pi/2$) 가 최적임을 증명합니다.
• GradCoRe 프레임워크: SGD 를 위한 기울기 신뢰 영역 개념과 연관된 적응형 관측 비용 전략을 도입하여, 필요한 추정 정확도를 유지하면서 총 측정 샷 수를 최소화합니다.
• 실증적 검증: 최신 베이스라인에 비해 제안된 방법이 VQE 최적화를 크게 가속화함을 수치 실험을 통해 입증했습니다.

결과
저자들은 다양한 큐비트 수 ($Q=5, 7$) 와 층 ($L=3, 5$) 을 가진 효율적인 SU(2) 양자 회로를 사용하여 Ising 및 Heisenberg 해밀토니안에 대한 실험을 수행했습니다.

• 표준 SGD 대비 성능: 베이지안 PSR 단독 (Bayes-SGD) 은 표준 PSR 보다 더 정확한 기울기 추정기를 제공했으나, 고정된 샷 수를 사용할 때는 최적화 성능이 유사했습니다. 그러나 GradCoRe 전략을 갖춘 경우, 고정된 샷 수 (예: 128, 256, 512, 1024 샷) 를 사용하는 표준 SGD 보다 성능이 크게 향상되었습니다.
• 최신 기술과의 비교: GradCoRe 를 SGLBO, Bayes-NFT, EMICoRe, SubsCoRe 와 비교한 결과, GradCoRe 는 더 적은 누적 측정 샷으로 더 빠른 수렴과 더 낮은 최종 에너지/충실도 오차를 달성했습니다.
• 통계적 유의성: 윌콕슨 부호 순위 검정은 다양한 실험 설정에서 모든 베이스라인에 대한 GradCoRe 의 성능 향상이 통계적으로 유의미함 ($p < 0.05$) 을 확인했습니다.
• 비용 효율성: 이 방법은 기울기 불확실성에 기반하여 자원을 적응적으로 할당함으로써 총 측정 샷 수 (VQE 의 주요 비용 지표) 를 성공적으로 최소화했습니다.

의의
본 논문은 VQE 의 물리적 특성, 특히 목적 함수의 삼각 구조가 가우스 프로세스의 물리 정보 기반 커널에 의해 효과적으로 포착될 수 있음을 주장합니다. 이 지식을 베이지안 프레임워크에 통합함으로써 저자들은 다음을 입증합니다:

1. 과거 데이터를 재사용함으로써 기울기 추정을 더 유연하고 효율적으로 만들 수 있습니다.
2. 불확실성 정량화를 직접 활용하여 관측 비용을 적응적으로 제어할 수 있으며, 이는 표준 PSR 기반 SGD 에는 존재하지 않는 기능입니다.
3. 제안된 접근법은 기계 학습 기법 (GP, BO) 과 양자 최적화 간의 간극을 메워, 양자 자원 소비를 줄이는 VQE 최적화를 위한 새로운 최첨단 방법을 제공합니다.

저자들은 이 베이지안 접근법이 VQE 를 더 나아가 양자 컴퓨팅 최적화 작업에 대한 더 효율적인 알고리즘 개발을 촉진한다고 결론지었습니다.