Noise-Robust Estimation of Quantum Observables in Noisy Hardware

1. 문제 정의 (Problem)

현재의 NISQ(Noisy Intermediate-Scale Quantum) 하드웨어는 양자 계산에서 신뢰할 수 있는 결과를 얻는 데 있어 심각한 노이즈 문제를 안고 있습니다.

• 기존 기술의 한계:
  • 노이즈 인식 (Noise-aware) 방법 (예: PEC): 정밀한 노이즈 모델링이 필요하지만, 실제 하드웨어의 노이즈 특성 변화 (drift) 와 모델링 오차로 인해 잔여 편향 (residual bias) 이 발생할 수 있습니다.
  • 노이즈 무관 (Noise-agnostic) 방법 (예: ZNE, CDR):
    • ZNE (Zero-Noise Extrapolation): 노이즈를 증폭하여 0 노이즈 한계로 외삽하지만, 노이즈 증폭이 불완전하거나 (비균일 증폭), 비-클리퍼드 회로에서 기대값이 다중 지수 감쇠를 보일 경우 모델 불일치로 편향이 발생합니다.
    • CDR (Clifford Data Regression): 깊은 회로에서 정확도가 급격히 떨어지며, 많은 수의 훈련 회로가 필요합니다.
  • 공통된 문제: 기존 방법들은 회로 크기와 노이즈 수준에 따라 샘플링 오버헤드가 기하급수적으로 증가하거나, 노이즈 증폭의 불완전성으로 인해 편향을 완전히 제거하지 못합니다.

2. 방법론 (Methodology: NRE)

저자들은 노이즈 강건 추정 (Noise-Robust Estimation, NRE) 이라는 새로운 프레임워크를 제안했습니다. 이는 명시적인 노이즈 모델링 없이 편향을 억제하는 2 단계 후처리 프로토콜을 특징으로 합니다.

핵심 개념: 보조 추정량 (Auxiliary Estimator) 및 노이즈 상쇄 회로

• 노이즈 상쇄 회로 (Noise-Canceling Circuit, ncc): 타겟 회로와 구조는 동일하지만, 모든 비-클리퍼드 게이트를 클리퍼드 게이트로 대체하여 고전적으로 계산 가능한 알려진 기대값을 갖도록 설계된 회로입니다.
• 보조 추정량 (A): 타겟 회로의 측정값과 ncc 회로의 측정값을 결합하여 구성됩니다. 이 양은 노이즈에 덜 민감하도록 설계되어, 노이즈 스케일 인자 ($\lambda$) 에 따라 변화하는 정도가 타겟 기대값보다 작습니다.

2 단계 후처리 프로세스

1. 1 단계: 기준 추정 (Baseline Estimation)

   • 타겟 회로와 ncc 회로의 데이터를 결합하여 보조 추정량 $A$를 구성합니다.
   • 제어 매개변수 ($n$) 를 최적화하여, 최소 노이즈 레벨 ($\lambda_1$) 에서 $A$가 이상적인 기대값의 추정치가 되도록 합니다.
   • 이 단계에서 생성된 추정치를 기준 추정기 (Baseline Estimator, $\langle O \rangle_{b-NRE}$) 라고 합니다.

2. 2 단계: 편향 - 분산 상관관계 (Bias-Dispersion Correlation) 및 외삽

   • 핵심 통찰: 기준 추정기의 잔여 편향 ($|B_{b-NRE}|$) 의 크기는 보조 추정량 $A$가 다양한 노이즈 증폭 실현 (amplified noise realizations) 에서 얼마나 변하는지와 강한 상관관계가 있습니다.
   • 정규화된 분산 (Normalized Dispersion, $D$): 보조 추정량의 변동을 정량화하는 지표입니다. $D$가 0 에 가까워질수록, 노이즈 증폭의 불완전성으로 인한 편향 기여도가 사라지고 잔여 편향이 감소함을 의미합니다.
   • 부트스트랩 (Bootstrapping) 및 외삽: 측정 데이터를 부트스트랩하여 다양한 $D$ 값을 가진 기준 추정량들의 집합을 생성합니다. 이 데이터에 대해 $D \to 0$ 극한으로의 외삽 (Regression) 을 수행하여 최종 추정치 ($\langle O \rangle_{NRE}$) 를 도출합니다.

3. 주요 기여 (Key Contributions)

• 노이즈 무관성 (Noise-Agnostic): 복잡한 노이즈 모델링 없이도 작동하며, 노이즈 증폭의 불완전성 (imperfect noise amplification) 에 강건합니다.
• 편향 진단 도구: 보조 추정량의 '정규화된 분산 ($D$)'을 측정 가능한 진단 지표로 사용하여, 잔여 편향의 크기를 간접적으로 추정하고 이를 보정하는 새로운 접근법을 제시했습니다.
• 효율적인 샘플링: 기존 방법들에 비해 상대적으로 낮은 샘플링 오버헤드를 유지하면서 높은 정확도를 달성합니다.
• 단일 ncc 회로 필요: CDR 이 많은 훈련 회로를 필요로 하는 반면, NRE 는 타겟 회로당 단 하나의 노이즈 상쇄 회로만 필요합니다.

4. 실험 결과 (Results)

저자들은 독일 뮌헨에 위치한 IQM Garnet(20 큐비트 초전도 양자 프로세서) 에서 실험을 수행하여 NRE 를 검증했습니다.

• 테스트 대상:
  1. 횡방향 자기장 이징 모델 (TFIM): 20 큐비트, 최대 240 개의 CZ 게이트 포함.
  2. 양자 화학 (H4 분자): 깊은 회로 (최대 169 개 CZ 게이트) 와 고중량 (high-weight) 관측량을 포함하는 복잡한 시나리오.
• 성능 비교:
  • 편향 감소: ZNE, CDR, vnCDR, Urbanek et al. 의 방법 등 기존 노이즈 무관 기법들과 비교했을 때, NRE 는 다양한 회로 깊이와 노이즈 수준에서 가장 낮은 편향을 보였습니다.
  • 극한 노이즈 환경: TFIM 실험에서 노이즈가 심한 환경 (기대값이 이상값 대비 80% 이상 억제됨) 에서도 NRE 는 10% 이내의 오차로 복원한 반면, 다른 방법들은 실패했습니다.
  • 화학 정밀도: H4 분자 실험에서 NRE 는 화학적 정밀도 (Chemical Precision, 0.00159 Ha) 임계값 근처의 정확도를 달성했습니다.
• 샘플링 오버헤드: 수치 시뮬레이션을 통해 NRE 의 샘플링 오버헤드가 기준 추정기 대비 약 6.2 배 감소했으며, ZNE 에 비해 편향은 크지만 오버헤드는 중간 수준으로 유지되어 실용적인 타협점을 제공함을 보였습니다.

5. 의의 및 결론 (Significance)

• 실용적인 오류 완화 전략: NRE 는 노이즈 증폭의 불완전성과 모델링 오차에 강건하여, 현재의 NISQ 장치뿐만 아니라 향후 부분적 오류 정정이 적용된 초기 오류 정정 양자 프로세서에서도 유용하게 적용될 수 있습니다.
• 통계적 진단의 활용: 측정 데이터에서 직접 유도된 통계적 지표 (분산) 를 통해 편향을 보정하는 방식은 양자 오류 완화 분야에서 새로운 패러다임을 제시합니다.
• 확장성: 머신러닝 기반의 회귀 전략이나 논리 큐비트 수준의 오류 완화 (Logical-level QEM) 와의 결합을 통해 향후 더 발전된 양자 컴퓨팅 아키텍처에 적용 가능한 유연한 프레임워크입니다.

요약하자면, 이 논문은 노이즈 증폭의 불완전성과 모델링 오차를 극복하면서도 낮은 샘플링 비용으로 높은 정확도를 제공하는 NRE라는 새로운 오류 완화 프레임워크를 제안하고, 이를 20 큐비트 양자 프로세서에서 실험적으로 입증했습니다.