Arbitrary state preparation in quantum harmonic oscillators using neural networks

기술 요약: 신경망을 이용한 양자 조화 진동자의 임의 상태 준비

문제 정의
특정한 양자 상태를 준비하는 것은 양자 알고리즘, 머신러닝 및 시뮬레이션의 근본적인 전제 조건이다. 특정 상태로의 전이를 위해 필요한 물리적 상호작용을 결정하기 위한 다양한 방법들(예: Krotov 방법, 양자 스티어링, 강화 학습)이 존재하지만, 이들은 일반적으로 개별 타겟 상태마다 별도의 최적화 문제를 풀어야 한다. 이러한 사례별 최적화는 양자 머신러닝과 같이 많은 서로 다른 타겟에 대해 신속하거나 반복적인 상태 준비가 필요한 응용 분야에서 계산적으로 매우 부담이 된다. 또한, 분석적 기법들은 각 타겟에 대해 별개의 방정식을 산출하므로 실용성이 제한될 수 있다. 본 연구에서 다루는 구체적인 과제는 절단된(truncated) 양자 조화 진동자(HO)를 통해 구현된 $n$차원 시스템(qudit)에서 임의의 상태를 준비하는 것이며, 이 시스템은 보조 상호작용 없이는 유한한 단계의 집합 하에서 완전히 제어 가능하지 않다.

방법론
저자들은 보조 큐비트와 결합된 HO에 대한 제어 파라미터를 예측하기 위해 피드포워드 신경망을 활용하는 일반적인 방법론을 제안한다. 시스템은 시간 의존적 위상 변조를 가진 레이저에 의해 구동되는 HO와 큐비트의 제이네스-커밍스(Jaynes–Cummings)형 상호작용으로 모델링된다.

• 물리 모델: 시스템은 결합 상수 $g$를 갖는 큐비트와 HO의 해밀토니안 하에서 진화한다. 제어는 $N$개의 펄스 시퀀스로 구성되며, 각 펄스는 구간별로 일정한 위상($\phi_i$는 HO용, $\varphi_i$는 큐비트용)과 스위칭 시간($t_i$)을 갖는다. 진폭은 일정하며 동일하다고 가정한다. 목표는 초기 상태 $|0, 0\rangle$을 $n$개 층으로 절단된 매니폴드 내의 원하는 타겟 상태 $|\psi_{target}\rangle$를 갖는 분리 가능한 상태로 진화시키는 것이다.
• 신경망 구조: 네트워크는 타겟 상태를 입력으로 받아 제어 파라미터 $\Theta = \{\phi_i, \varphi_i, t_i\}$를 출력한다.
  • 입력 표현: 타겟 상태는 $SU(n)$기저의$d = n^2 - 1$ 생성값의 기댓값으로 인코딩된다.
  • 출력: 네트워크는 $N$개의 펄스 시퀀스에 대한 위상과 스위칭 시간을 예측한다.
• 훈련 파이프라인: 네트워크는 Haar 측도(Haar measure)에서 샘플링된 무작위 타겟 상태 데이터셋에 대해 평균 충실도(average infidelity, $1 - F$)를 최소화하도록 확률적 경사 하강법을 사용하여 훈련된다. 충실도는 최종 진화된 상태로부터 큐비트 자유도를 트레이싱 아웃(tracing out)하여 얻은 상태와 타겟 상태 사이의 중첩(overlap)으로 정의된다.
• 핵심 차별점: 특정 타겟을 위해 파라미터를 반복적으로 찾는 기존의 최적 제어 방식과 달리, 이 프레임워크는 계산 부담을 단 한 번의 오프라인 훈련 단계로 전환한다. 일단 훈련되면, 네트워크는 단 한 번의 순전파(forward pass)를 통해 훈련된 차원 내의 어떤 새로운 타겟 상태에 대해서도 제어 파라미터를 생성할 수 있다.

주요 기여 및 결과
본 논문은 제안된 신경망 접근 방식을 사용하여 큐비트($n=2$), 큐트릿($n=3$), 큐디트($n=4$)에서 임의의 상태를 준비하는 수치적 결과를 제시한다.

• 성능 지표: 이 방법은 1000개의 무작위 Haar 분포 타겟 상태에 대해 높은 평균 충실도를 달enc한다:
  • 큐비트 ($n=2$): $N=9$개의 펄스를 사용하여 99.99% 충실도 (0.01% 불충실도) 달성.
  • 큐트릿 ($n=3$): $N=11$개의 펄스를 사용하여 99.5% 충실도 (0.5% 불충실도) 달성.
  • 큐디트 ($n=4$): $N=13$개의 펄스를 사용하여 98.9% 충실도 (1.1% 불충실도) 달성.
• 펄스 시퀀스 분석: 연구는 펄스의 수가 증가함에 따라 일반적으로 불충실도가 감소하지만, 추가적인 펄스가 수확 체감의 법칙을 따르는 최적점이 존재함을 확인한다. 학습된 위상 전환 패턴은 비자명하며 단순한 분석적 규칙을 따르지 않는데, 이는 네트워크가 누적된 오차를 보상하기 위해 복잡한 제어 전략을 학습했음을 나타낸다.
• 시각화: 큐비트의 경우, 블로흐 구(Bloch sphere) 상의 궤적은 초기 펄스들이 최종 펄스가 궤적을 정렬하기 전에 시스템을 타겟으로부터 중간 상태로 몰아낼 수 있음을 보여준다. 큐트릿 및 큐디트의 경우, 위그너 함수(Wigner function) 분석은 네트워크가 타겟 상태의 지배적인 위상 공간 지지(phase-space support)와 비고전적 구조(예: 간섭 패턴 및 음의 영역)를 성공적으로 재현함을 입증하며, 여기에는 진동자 부공간(oscillator subspace)에 인코딩된 벨 상태(Bell states)가 포함된다.

의의 및 주장
저자들은 본 연구가 "온디맨드(on-demand)" 상태 준비를 위한 실질적인 해결책을 제공한다고 주장한다. 주요 장점은 사례별 최적화를 제거하여 온라인 추론 시간을 표준 CPU에서 약 100ms로 단축했다는 점이다. 이는 하나의 타겟 상태당 몇 분에서 몇 시간이 걸릴 수 있는 반복적 최적 제어 방법(Krotov 또는 GRAPE 등)과 극명하게 대조된다.

본 논문은 타겟 상태가 입력마다 변하는 양자 머신러닝 워크플로우와 같이 정보를 양자 상태로 빠르게 인코딩해야 하는 시나리오에 이 방법이 특히 적합함을 강조한다. 이 접근법은 제안된 프로토콜이 모델의 제약 조건 내에서 물리적으로 준비 가능한 상태에 해당함을 보장하는 제이네스-커밍스 역학의 이론적 제어 가능성(Pinna와 Panati)에 근거하고 있다.

한계 및 향후 방향
저자들은 차원 $n$이 증가함에 따라 관찰되는 불충실도의 증가는 매핑의 복잡성 증가를 반영하며, 이는 이론적으로 네트워크 크기와 펄스 수를 늘림으로써 완화될 수 있다고 겸허히 언급한다. 그러나 더 근본적인 제약은 고전적 시뮬레이션을 통한 훈련 데이터 생성 비용이며, 이는 힐베르트 공간의 차원에 따라 나쁘게 확장(scale)된다. 본 논문은 텐서 네트워크나 하드웨어 인 더 루프(hardware-in-the-loop) 훈련과 같은 미래 전략이 필요할 수 있으며, 직접적인 시뮬레이션이 병목 현상이 될 수 있음을 인정한다. 또한, 현재 결과는 이상적인 조건을 가정하므로, 실험적 환경에서의 견고성을 판단하기 위해 개방계 역학, 결맞음(decoherence), 그리고 하드웨어 특유의 비이상성(예: 유한 대역폭, 위상 지터)을 다루는 후속 연구가 필요하다.