Quantum State Preparation with the QNN-based SRBB Algorithm

기술 요약: QNN 기반 SRBB 알고리즘을 이용한 양자 상태 준비

문제 정의
양자 상태 준비(Quantum State Preparation, QSP)는 양자 기계 학습(QML), 선형 방정식 솔버, 해밀토니안 시뮬레이션 등 수많은 양자 알고리즘의 핵심적인 서브루틴입니다. 목표는 $U|0\rangle^{\otimes n} = |\psi\rangle$를 만족하는 유니터리 연산자 $U$를 구성하는 것입니다(여기서 $|\psi\rangle$는 원하는 $n$-큐비트 상태임). 비록 정확한 QSP 알고리즘(예: Uniformly Controlled Rotations를 사용하는 방식)이 존재하지만, 이들은 종종 지수적인 깊이와 게이트 수($O(2^n)$)로 인해 어려움을 겪으며, 이는 근미래 하드웨어에서 실행하기 불가능하게 만듭니다. 또한, 기존의 많은 접근 방식은 더 나은 시공간 트레이드오프를 달기 위해 보조 큐비트(ancillary qubits)에 의존하는데, 이는 하드웨어 요구 사항을 증가시킵니다. 과제는 보조 큐비트에 의존하지 않으면서도 높은 정확도를 유지하며 자원(특히 CNOT 개수와 회로 깊이)을 최소화하는 근사적 QSP 방법을 개발하는 것입니다.

방법론
저자들은 $SU(2^n)$ 군의 행렬 대수를 위한 계층적 구조인 표준 재귀적 블록 기저(Standard Recursive Block Basis, SRBB) 상에서 구조화된 새로운 변분 양자 알고리즘을 제안합니다. 이 방법론은 리 군(Lie group)의 위상적 및 대수적 특성을 활용하여 변분 양자 회로(Variational Quantum Circuit, VQC)를 설계합니다.

1. 이론적 프레임워크 (SRBB 및 리 대수):

   • 이 알고리즘은 $U(2^n)$을 $U(1)$과 $SU(2^n)$의 국소적 곱으로 분해하는 것에 기초합니다. SRBB는 리 대수 $\mathfrak{su}(2^n)$에 대한 재귀적 기저를 제공합니다.
   • 결정적으로, 저자들은 변분 안사츠(ansatz)를 SRBB의 대각 부대수(diagonal sub-algebra) ($Z$-요소)로 제한합니다. 전체 SRBB는 일반적인 유니터리 합성을 위해 필요한 비대각 성분($\Psi$ 및 $\Phi$ 요소)을 포함하지만, 대각 성분만으로도 대각 유니터리 행렬을 매개변수화하기에 충분합니다.
   • $R_y(\gamma) = SH \cdot R_z(\gamma) \cdot HS^\dagger$라는 항등식을 활용하여, 저자들은 기존의 QSP 사다리 구조(Uniformly Controlled Gates 또는 UCG로 구성됨)를 $S, H, R_z$ 게이트로만 구성된 회로로 매핑합니다. 이를 통해 대각 SRBB $Z$-요소가 대상 상태 진폭의 절댓값(moduli)을 근사할 수 있게 하며, 별도의 블록이 위상(phases)을 처리합니다.

2. 알고리즘 아키텍처:

   • 제안된 양자 신경망(QNN)은 최적화 충돌을 피하기 위해 두 가지 별도의 훈련 단계에서 작동합니다:
     • 절댓값 학습(Modulus Learning): 회로의 첫 번째 부분은 대각 SRBB $Z$-요소를 사용하여 대상 상태의 실수 진폭(절댓값)을 근사합니다.
     • 위상 학습(Phase Learning): 두 번째 부분은 대상 상태의 복소 위상을 근사합니다.
   • 회로 깊이는 Gray Code 패턴을 사용하여 CNOT 게이트를 최소화함으로써 SRBB $Z$-요소의 재귀적 구조를 활용하도록 최적화되었습니다. 결과적인 깊이는 $D(n) \approx 6 \cdot 2^n - n^2/2 + 7n/2 - 3$이며, 이는 보조 큐비트 없이도 다른 방법들이 달성한 점근적 최적 경계와 경쟁할 만한 수준입니다.

3. 최적화 및 손실 함수:

   • 알고리즘은 두 가지 옵티마이저를 사용하여 테스트되었습니다: Adam(Fidelity 및 Trace Distance 손실 함수와 함께 사용) 및 Nelder-Mead(Frobenius Norm과 함께 사용).
   • 훈련은 VQC가 생성한 상태와 대상 상태(또는 이상적인 유니터리 행렬) 사이의 거리를 최소화합니다.

주요 기여
본 논문은 네 가지 주요 기여를 합니다:

1. 새로운 알고리즘: SRBB 계층 구조의 특정 사용 사례를 근사적 QSP로 제안하며, 이를 변분 문제로 프레이밍합니다.
2. 깊이 감소: 오직 CNOT이 최적화된 대각 SRBB 부대수만을 사용하여 전통적인 QSP 사다리 구조를 구현합니다. 이는 전체 대수를 사용하는 것에 비해 회로 깊이와 CNOT 개수를 지수적으로 줄여, 보조 큐비트 없이도 점근적 최적 경계에 도달하게 합니다.
3. 포괄적 평가: 2~8 큐비트 시스템에 대해 무작위 상태, 희소(sparse) 상태, 균일 확률 분포를 사용하여 성능을 평가했습니다.
4. 실제 장치 검증: 노이즈가 있는 환경에서의 성능을 평가하기 위해 실제 양자 하드웨어(IQM Deneb, IQM Garnet, Rigetti Ankaa-3, IonQ Forte1)에서 알고리즘을 테스트했습니다.

결과

• 시뮬레이션:

  • 최대 4개 큐비트에 대해, Nelder-Mead 옵티마이저를 사용하여 $10^{-13}$에서 $10^{-15}$ 사이의 오차 범위 내에서 높은 정확도를 달립니다.
  • Adam 옵티마이저는 작은 큐비트 수에서 더 긴 훈련 시간을 보이지만, 시간이 지수적으로 증가하지 않으며 최대 4개 큐비트까지 높은 정확도를 유지합니다.
  • 큐비트 수가 4개를 초과하여 증가하면 성능이 저하됩니다. 8개 큐비트의 경우 오차는 약 $10^{-3}$까지 상승합니다.
  • 네트워크는 시뮬레이션에서 Bell 상태 및 GHZ 상태와 같은 특정 상태를 높은 충실도로 재현하는 데 성공했습니다.

• 실제 하드웨어:

  • 실제 장치(2~5 큐비트)에서 알고리즘은 작은 큐비트 수에 대해 좋은 결과를 얻었으나, 대상 상태에 따라 성능 차이가 크게 나타났습니다.
  • 균일 중첩(uniform superpositions) 및 Bell 상태와 같은 특정 상태의 경우, 헬링거 거리(Hellinger distance)가 상대적으로 낮았습니다(예: 2 큐비트의 경우 $\sim 0.01$ ~ $0.12$).
  • 희소 상태나 더 복복잡한 분포의 경우, 오차가 크게 증가했습니다(예: IQM Deneb에서의 4-큐비트 희소 상태에 대해 헬링거 거리 $\sim 0.74$).
  • Rigetti 장치에서 샷(shot) 수를 1024에서 8192로 늘려도 성능 향상이 유의미하지 않았으며, 이는 한계 요인이 샷 노이즈보다는 노이즈와 회로 깊이임을 시사합니다.

의의 및 주장
저자들은 이 연구가 변분 파라미터를 유니터리 군의 기하학적 구조와 명시적으로 연결하는 변분 프레임워크 내에서 근사적 양자 상태 준비를 위한 새로운 체계를 제공한다고 주장합니다. 주요 의의는 SRBB의 대각 부대수를 활용함으로써 회로 자원(CNOT 및 깊이)을 줄일 수 있다는 점에 있으며, 이는 정확도를 유지하면서 자원을 최소화하는 "완화 원칙(relaxation principle)"을 준수합니다.

논문은 현재의 한계를 다음과 같이 겸허히 인정합니다:

• 확장성: 알고리ভাবে는 큐비트 수가 증가함에 따라 최적화 도구가 효과적으로 수렴하는 데 어려움을 겪는데, 이는 매개변수 랜드스케이프의 복잡성(잠재적 바렌 플래토, Barren Plateaus) 때문인 것으로 보입니다.
• 하드웨어 노이즈: 실제 장치에서 오차는 고정되지 않고 특정 대상 상태에 따라 크게 달라지며, 이는 노이즈와 상태 복잡도에 대한 민감도를 나타냅니다.
• 향후 연구: 저자들은 향-연구에서 이 프레임워크를 확립된 QSP 알고리즘 및 인코딩 기술(예: Amplitude Encoding)과 비교하고, 회전 게이트를 추가로 최적화하며, 수렴 문제를 완화하기 위해 최적화 랜드스케이프를 분석할 것을 제안합니다.

이 연구는 대규모 시스템에 대한 임의의 QSP 문제를 즉각 해결한다고 주장하는 것이 아니라, 리 대수 이론과 실용적인 변분 양자 회로를 결리하는 자원 효율적인 접근 방식을 소규모 내지 중규모 큐비트 수에 대해 입증하는 것입니다.