Non-stabilizerness of Neural Quantum States

기술 요약: 신경 양자 상태의 비-스테빌라이저성(Non-stabilizerness)

문제 정의
다체 계(many-body systems)에서의 양자 복잡성은 얽힘(entanglement)과 비-스테빌라이저성(non-stabilizerness, 흔히 "매직(magic)"이라 불림)이라는 두 가지 구별된 자원에 의존한다. 얽힘은 광범ening하게 특징지어져 왔으나, 비-스테빌라이저성은 거대 계에서 정량화하기 어렵다. 스테빌라이저 레니 엔트로피(Stabilizer Rényi Entropies, SREs)와 같은 기존 척도들은 일반적으로 계산 집약적인 최소화 절차를 요구하거나 행렬 곱 상태(Matrix Product States, MPS)와 같은 특정 안사츠(ansatz)로 제한된다. 결과적으로, 현재의 방법론들은 강한 상관관계와 높은 공간 차원을 가진 시스템을 다루는 데 한계가 있으며, 이는 텐서 네트워크(Tensor Network, TN) 방법이 얽힘 스케일링에 의해 제한되고 양자 몬테카를로(Quantum Monte Carlo, QMC) 방법이 부호 문제(sign problem)로 고통받는 것과 맥을 같이 한다. 따라서 볼륨 법칙(volume-law) 얽힘을 표현할 수 있는 임의의 변분 파동 함수에서 매직을 평가할 수 있는 확장 가능한 프레임워크에 대한 결정적인 필요성이 존재한다.

방법론
저자들은 신경 양자 상태(Neural Quantum States, NQS)로 인코딩된 임의의 다-큐비트 시스템에 대해 SRE(특히 $M_2$)를 추정하는 프레임워크를 소개한다. 이 접근 방식은 두 가지 몬테카를로 샘플링 기법에 의존한다:

1. 복제 추정기(Replicated Estimator): 이 방법은 4중으로 복제된 힐베르트 공간을 활용한다. $|\Phi\rangle = |\Psi^*, \Psi^*, \Psi^*, \Psi\rangle$로 정의된 상태와 복제본 간의 상호작용을 생성하는 특정 유니터리 연산자 $\hat{U}$를 정의함으로써, SRE는 기대값 $\langle \Phi | \hat{U} | \Phi \rangle / \langle \Phi | \Phi \rangle$로 표현된다. 이를 통해 $|\Phi\rangle$의 본 분포(Born distribution)로부터 샘플링하여 확률적 추정이 가능하다. 저자들은 $\hat{U}$의 비-국소적 성질로 인해 이 추정기가 통계적 이상치(outliers)로 인해 어려움을 겪을 수 있으나, 어닐드 중요도 샘플링(annealed importance sampling)을 통해 완화될 수 있다고 언급한다.
2. 벨 기저 추정기(Bell Basis Estimator): 이 접근 방식은 파울리 스트링(Pauli string) 기대값과 두 시스템 복사본에 대한 벨 상태(Bell states)의 진폭 사이의 등가성을 활용한다. 이 방법은 $|\Psi\rangle$가 해밀토니안 $\hat{H}$의 바닥 상태여야 함을 요구한다. 이 방법은 클리포드 변환(Clifford transformation) $\hat{C}$를 통해 시스템을 이중화된 상태 $|\Gamma\rangle$로 변환하는 과정을 포함하며, SRE는 $|\Gamma(\nu)|^2$ 분포에 대한 진폭 비율의 평균을 통해 추정된다. 이 추정기는 양의 확정적(positive-definite)이며 통계적으로 더 견고하지만, 바닥 상태인 $|\Gamma\rangle$를 학습해야 하며, 이는 비-국소적 결합을 도입한다는 제약이 있다.

주요 결과에서 저자들은 복잡한 모델에 대해 변환된 바닥 상태 $|\Gamma\rangle$를 학습하는 데 따르는 어려움 때문에 주로 복제 추정기를 사용한다. 사용된 NQS 안사츠로는 무작위 앙상블을 위한 제한 볼츠만 머신(Restricted Boltzmann Machines, RBM)과 하이젠베르크 모델을 위한 딥 비전 트랜스포머(Deep Vision Transformers, ViT)가 포함되며, 이는 변분 몬테카를로(Variational Monte Carlo, VMC)와 확률적 재구성(Stochastic Reconfiguration)을 통해 최적화되었다.

핵심 기여

• 알고리즘 프레임워크: 본 논문은 임의의 변분 안사츠에서 SRE를 측정하기 위한 두 가지 몬테카를로 알고리즘을 제시하며, 이를 통해 매직 분석을 텐서 네트워크 방법의 한계를 넘어 고차원 및 고도로 얽힌 시스템으로 확장한다.
• NQS 표현력의 특성화: 저자들은 NQS 파라미터화가 광범위한 얽힘과 유한한 비-스테빌라이저성을 동시에 포착할 수 있음을 입증하였으며, 이는 낮은 얽힘을 포착하는 표준 TN이나 비-스테빌라이저성이 0인 스테빌라이저 상태와는 구별되는 능력이다.
• $J_1-J_2$ 하이젠베르크 모델의 상도표: 이 프레임워크는 1차원 및 2차원에서의 전형적인 좌절된(frustrated) $J_1-J_2$ 하이젠베르크 모델에 적용되었으며, 이는 표준 매직 계산 방법으로는 다루기 힘든 시스템이다.

결과

• 무작위 NQS 앙상블: 볼륨 법칙 얽힘을 가진 무작위 RBM 앙상블 분석 결과, 평균 SRE 밀도($m_2 = M_2/N$)는 열역학적 극한에서 유한하고 0이 아닌 값($m_2^* \approx 0.241$)으로 수렴한다. 이는 신경망 파동 함수가 얽힘과 함께 비-스테빌라이저성을 본질적으로 인코딩하고 있음을 확인해 준다.
• 1D $J_1-J_2$ 모델: 1차원 스핀 체인에서 SRE 밀도는 마주마르-가모(Majumdar-Ghosh) 지점($J_2 = J_1/2$)에서 최솟값을 보인다. 시스템 크기가 증가함에 따라 SRE 밀도는 이 지점에서 0에 접근하며, 이는 디머화된 싱글렛(dimerized singlets)의 중첩인 마주마르-가모 바닥 상태의 알려진 스테빌라이저 성질과 일치한다.
• 2D $J_1-J_2$ 모델: 2차원 정사각형 격자에서 SRE 밀도는 최대 좌절 영역($J_2/J_1 \approx 0.6$) 근처에서 뚜렷한 딥(dip)을 보인다. 1차원의 경우와 달리, 최솟값은 시스템 크기가 증가함에 따라 0이 되지 않고 유지된다. 이러한 동작은 넬(Néel) 및 스트라이프 반강자성 질서 사이에 존재하는 밸런스 본 솔리드(Valence Bond Solid, VBS) 상의 증거로 해석되며, 이는 감소했으나 여전히 0이 아닌 비-스테빌라이저성을 특징으로 한다.

의의 및 주장
본 논문은 NQS와 SRE의 몬테카를로 추정을 결 der 결합함으로써 매직 계산을 위한 최첨단 접근법의 한계를 극복할 수 있다고 주장한다. 이 방법론은 임의의 공간 차원에서 매우 얽힌 다체 상태의 비-스테빌라이저성을 조사할 수 있게 하며, 이는 이전에 접근 불가능했던 영역이었다. 결과는 매직과 물리적 현상(예: 상전이 및 좌절) 사이의 관계에 대한 새로운 통찰을 제공하며, 매직이 VBS와 같은 특정 질서 상에서 감소할 수 있지만(반드시 제거되지는 않음) 구별되는 자원으로서 기능할 수 있음을 시사한다. 저자들은 NQS의 표현력이 무작위 하르(Haar) 상태에 가까운 상태를 표현할 수 있다는 점을 언급하며, 이 작업이 복잡한 물리적 시나리오에서 양자 자원의 역할을 이해하기 위한 단계임을 밝히며 본 연구를 위치시킨다.