⚛️ quantum physics

Shallow randomized measurement in noisy quantum devices

이 논문은 얕은 깊이의 무작위 측정이 노이즈가 있는 장치에서 양자 상태의 특성을 학습하는 데 있어 단일 큐비트 측정보다 실질적인 이점을 제공한다는 이론적 프레임워크를 확립하며, 이는 최대 40개의 큐비트를 갖춘 IBM 양자 하드웨어에서의 실험을 통해 검증되었습니다.

원저자: Gyungmin Cho, Dohun Kim

게시일 2026-07-07

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Gyungmin Cho, Dohun Kim

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신은 현재 매우 복잡하고 정교한 기계(양자 컴퓨터)를 가지고 있다고 상상해 보세요. 이 기계는 현재 약간 "노이즈(noise)"가 있고 실수를 저지르기 쉬운 상태입니다. 당신은 이 기계 내부에서 어떤 일이 일어나고 있는지 이해하고 싶지만, 기계가 너무 크고 취약해서 모든 톱니바퀴와 전선을 한꺼번에 들여다볼 수는 없습니다.

이 논문은 이 노이즈가 있는 기계를 부수거나 영원히 기다리지 않고도, 더 똑똑하고 효율적으로 내부를 들여다보는 방법에 대해 다룹니다.

문제점: "눈을 가린" 추측

전통적으로 양자 상태를 이해하기 위해 과학자들은 **무작위 측정(Randomized Measurements)**이라는 방법을 사용했습니다. 이것은 마치 밀봉된 불투명한 상자를 흔들어 소리를 듣고 그 안의 내용물을 추측하는 것과 같습니다.

기존 방식 (단일 큐비트): 상자를 아주 작은 부분씩 하나씩 살살 흔듭니다. 이는 안전하고 쉽지만, 부품들이 서로 어떻게 상호작용하는지는 놓칠 수 있습니다. 또한 선명한 그림을 얻기 위해 엄청나게 많은 흔들기(측정)가 필요합니다.
"완벽한" 방식 (전역 얽힘): 상자 전체를 한꺼번에 격렬하게 흔들어 모든 부품이 어떻게 함께 달그락거리는지 들을 수 있습니다. 이는 완벽한 그림을 제공하지만, 현재의 노이즈가 있는 기계에서는 상자 전체를 한꺼번에 흔드는 것이 너무 과합니다. 답을 얻기도 전에 기계가 망가져 버립니다(오류가 신호를 압도함).

해결책: "얕은" 엿보기

저자들은 **얕은 무작위 측정(Shallow Randomized Measurements)**이라는 절충안을 제안합니다.

비유: 상자 전체를 흔들거나 아주 작은 구석 하나만 흔드는 대신, 상자를 작고 연결된 클러스터 단위로 흔듭니다(예를 들어, 인접한 두세 개의 칸을 동시에 흔드는 것과 같습니다).
왜 작동하는가: 이것이 "얕은(shallow)" 이유는 노이즈가 있는 기계가 감당할 수 없는 깊고 복잡한 회로를 요구하지 않기 때문입니다. 하지만 "얽힘(entangling)"을 포함하는 이유는 단일 구석을 흔드는 방식에서는 놓칠 수 있는 작은 부품 그룹 간의 상호작용을 포착하기 때문입니다.

새로운 도구: "블록 섀도우(Block Shadows)"

이 논문은 블록 섀도우라는 특정 수학적 프레임워크를 소개합니다. 당신이 퍼즐을 재구성하려고 하는데 퍼즐 조각들에 노이즈가 섞여 있다고 상상해 보세요.

"블록" 전략: 퍼즐 조각을 하나씩 보는 대신, 2x2 또는 3x3 크기의 작은 블록들을 함께 봅니다.
이점: 이 작은 블록들을 보기 때문에, 전체 퍼즐을 보거나 단일 조각만 볼 때보다 노이즈를 훨씬 더 쉽고 정확하게 수학적으로 "되돌릴(undo)" 수 있습니다. 이는 마치 작은 라디오 채널 그룹의 잡음을 제거하여 음악을 선명하게 만드는 특수 필터를 가진 것과 같습니다.

그들이 발견한 것 ( "마법" 같은 기술들)

저자들은 단순히 상자를 흔드는 새로운 방법을 발명한 것에 그치지 않고, 이 방법을 사용하여 몇 가지 구체적인 작업을 더 잘 수행하는 방법을 보여주었습니다.

"결정론적(Deterministic)" 지름길:
보통 좋은 평균값을 얻으려면 무작위 흔들기를 반복해서 시도해야 합니다. 저자들은 사전에 가장 좋은 특정 흔들기 방식을 선택하는 방법(마치 요리사가 미리 완벽한 향신료를 골라두는 것과 같습니다)을 보여주었으며, 이를 통해 동일한 결과를 얻기 위해 더 적은 시도가 필요함을 입증했습니다. 그들은 이를 실제 IBM 양자 컴퓨터에서 테스트하여 노이즈가 있는 환경에서도 작동함을 증명했습니다.
"멀티 샷(Multi-Shot)" 기술:
카메라가 있다고 상상해 보세요. 각도마다 사진을 한 장 찍고 이동하는 대신, 같은 각도에서 10장의 사진을 찍은 다음 이동하는 방식입니다. 이 논문은 이러한 "얕은" 측정의 경우, 동일한 각도에서 여러 번 사진을 찍는 것(측정을 재사용하는 것)이 기존 방식에서는 항상 그렇지는 않았던 것처럼, 실제로 오류를 줄이고 시간을 절약하는 데 도움이 된다는 것을 보여줍니다.
"편향(Bias)" 조력자:
때로는 기계가 무엇을 하고 있는지에 대한 대략적인 추측(편향 상태, bias state)이 있을 수 있습니다. 이 논문은 이 대략적인 추측을 사용하여 측정을 교정하는 방법을 보여줍니다. 이는 흐릿한 지도와 GPS 신호를 결합하여, GPS 단독 사용보다 더 명확한 위치를 파악하는 것과 같습니다. 저자들은 지도가 조금 틀리더라도 기계의 노이즈를 보정하면 이 방법이 작동함을 보여주었습니다.
컴퓨터 학습시키기:
그들은 이 "얕은" 측정을 사용하여 고전적 머신러닝 알고리즘(패턴을 학습하려는 컴퓨터 프로그램)에 데이터를 공급했습니다.

결과: 컴퓨터가 큐비트들의 작은 그룹을 함께 측정하는 데이터(블록 방식)로부터 학습했을 때, 단일 큐비트 데이터로부터 학습했을 때보다 양자 시스템의 특정 변화(상전이, phase transition)를 훨씬 더 잘 포착해 냈습니다. 이는 컴퓨터가 개인보다는 작은 집단을 볼 때 군중 속의 패턴을 더 잘 "보는" 것과 같습니다.

실제 세계 테스트

저자들은 단순히 종이 위의 수학적 계산에 그치지 않았습니다. 그들은 최대 40개의 큐비트를 가진 실제 양자 컴퓨터(IBM의 ibm_marrakesh)에서 이 실험들을 실행했습니다.

그들은 기계의 자연스러운 오류에도 불구하고, 그들의 "얕은" 방식이 기존의 "단일 큐비트" 방식보다 더 효율적이고 정확하다는 것을 발견했습니다.
그들은 이전 기술로는 측정하기에 너무 노이즈가 심하거나 시간이 오래 걸렸을 복잡한 양자 상태의 특성들을 성공적으로 측정했습니다.

요약

요약하자면, 이 논문은 다음과 같이 말합니다: "취약한 기계 전체를 한꺼번에 흔드려 하지 마세요. 그렇다고 아주 작은 조각 하나만 흔들지도 마세요. 대신 작고 연결된 조각 그룹을 흔드세요. 이것이 더 빠르고, 기계의 노이즈를 더 잘 처리하며, 내부에서 실제로 무슨 일이 일어나고 있는지 더 선명한 그림을 보여줍니다."

그들은 이것이 실제 하드웨어에서도 작동함을 증명함으로써, 오늘날 우리가 가진 노이즈가 있는 양자 컴퓨터로부터 더 유용한 데이터를 얻을 수 있는 실질적인 방법을 제시했습니다.

제목: 노이즈가 있는 양자 장치에서의 얕은 무작위 측정 (Shallow Randomized Measurement in Noisy Quantum Devices)
저자: 조경민, 김도훈 (서울대학교)

문제 정의

양자 하드웨어가 개선되고 있으나, 근미래의 장치들은 여전히 노이즈와 제한된 회로 깊이로 인해 제약을 받는다. 클래식 섀도(classical shadows)와 같이 양자 상태의 특성을 학습하기 위한 표준 프로토콜들은 트레이드오프에 직면해 있다: 무작위 파울리 측정(Random Pauli Measurements, RPM)은 실험적으로는 간단하지만 저계수(low-rank) 관측량에 대해 비효ferient하며, 무작위 클리포드 측정(Random Clifford Measurements, RCM)은 저계수 관측량에 대해서는 효율적이지만 현재의 노이즈가 있는 중간 규모 양자(NISQ) 장치에서는 실행 불가능한 깊은 회로( $O(n)$ )를 요구한다. 브릭워크(brickwork) 회로에 기반한 기존의 "얕은 섀도(shallow shadow)" 접근 방식들은 절충안을 제시하지만, 종종 섀도 채널과 그 역행렬에 대한 폐쇄형 표현식(closed-form expressions)이 부족하여 후처리 및 데랜도마이제이션(derandomization)이나 오류 완화와 같은 고급 프로토콜로의 확장을 어렵게 만든다. 또한, 다양한 학습 작업(특정 응용 분야를 넘어)에 걸친 얕은 측정의 체계적인 이점과 실험적 노이즈에 대한 강건성을 입증하기 위한 추가적인 이론적 및 실험적 검증이 필요하다.

방법론

저자들은 클리포드 측정 앙상블(Clifford measurement ensembles), 특히 **블록 섀도(block shadows)**에 초점을 맞춘 통합된 이론적 프레임워크를 개발한다. 이 접근 방식에서 $n$ -큐비트 시스템은 크기 $k$ 인 블록들로 분할되며, 각 블록에는 $Cl(k)$로부터 추출된 독립적인 무작위 클리포드 유니터리가 적용된다. 이러한 구조는 다음을 가능하게 한다:

명시적 해석 공식: 브릭워크 회로에서 흔히 필요한 수치적 근사를 피하고, 섀도 채널, 그 역행렬, 그리고 분산 분석에 필요한 모멘트에 대한 폐쇄형 표현식을 유도한다.
고급 프로토콜의 통합: 이 프레임워크는 데랜도마이제이션, 멀티샷 프로토콜(측정 기저 재사용), 편향 상태(bias states)를 포함한 공통 무작위 측정(common randomized measurements, CRM), 그리고 오류 완화 추정기를 통합한다.
노이즈 모델링: 파울리 트월링(Pauli twirling)이 오류를 파울리 채널로 변환한다고 가정할 때, 계층별(layer-wise) 및 포스트 유니터리(post-unitary) 노이즈 모델에 대한 이론적 분석을 수행하여, 노이즈가 있는 섀도 채널을 이용한 오류 완화 추정기 구축을 허용한다.
실험적 검증: 데랜도마이즈된 블록 섀도, 오류 완화가 적용된 CRM, 얽힘 강화 머신러러닝을 테스트하기 위해 IBM 양자 하드웨어(최대 40 큐비트, 46 레이어의 2-큐비트 게이트)에 구현하였다.

주요 기여 및 결과

1. 이론적 프레임워크 및 데랜도마이제이션

저자들은 데랜도마이제이션을 얕은 측정과 결합하여, 무작위 평균보다 신뢰 구간이 크지 않은 결정론적 측정 기저를 얻었다.
결과: 클러스터-하이젠베르크(Cluster-Heisenberg) 모델에 대한 수치 및 하드웨어 실험 결과, 데랜도마이즈된 블록 섀도는 하드웨어 노이즈가 존재하는 상황에서도 에너지 불확실성을 추정하는 데 있어 단일 큐비트 데랜도마이제이션보다 적은 측정 횟수를 요구함을 보여준다.

2. 샘플 복잡도 및 전형적인 경우의 스케일링(Typical-Case Scaling)

본 논문은 $k2^k = \Omega(n)$ 인 블록 섀도의 경우, 유계된 섀튼 2-노름(Schatten 2-norm)을 갖는 관측량의 섀도 노름이 전형적인 경우에 상수임을 입증한다.
상태 의존적 관측량: 고정된 관측량 분석과 달리, 이 프레임워크는 상관관계가 있는 설정(예: 관측량이 상태 자체인 상태 검증)을 다룬다. 저자들은 전형적인 경우의 레짐(regime)에서 블록 섀도가 전역 무작위 클리포드 측정과 동일한 스케일링을 달성함을 보여준다.
순도 추정(Purity Estimation): 멀티샷 순도 추정기가 구축되었다. 이론적 경계에 따르면, 전형적인 상태들에 대해 샘플 복잡도는 측정 기저를 재사용함으로써 $V_2/NS$ 항을 억제할 수 있어 RCM과 유사한 스스케일링을 보인다.

3. 공통 무작위 측정(CRM) 및 오류 완화

프레임워크는 CRM을 얕은 섀도로 확장하여, 분산을 줄이기 위해 편향 상태 $\sigma$ ( $\rho$ 를 근사함)를 사용할 수 있게 한다.
오류 완화: 저자들은 견고한 섀도 기술을 블록 섀도로 확장하였다. 40 큐비트에 대한 실험은 편향 상태가 덜 정확하더라도(낮은 본드 차원) 오류 완화가 CRM의 정확도를 크게 향상시킨다는 것을 입증했다.

4. 얽힘 강화 머신러닝

본 연구는 얽힘이 있는 얕은 측정을 통해 얻은 데이터로 훈련된 고전적 머신러닝(ML) 모델이 단일 큐비트 데이터로 훈련된 모델보다 성능이 우수한지 조사한다.
결과: SSH(Su–Schrieffer–Heeger) 모델의 데이터를 사용하여 커널 PCA를 수행한 결과, 저자들은 2-큐비트 블록 측정( $k=2$ )이 단일 큐비트 측정( $k=1$ )에 비해 임계점( $w=1$ ) 근처에서 더 날카로운 상전이 시그니처를 생성함을 보여준다. 피팅 함수의 미분값은 $w \approx 1.026$ 에서 정점을 찍으며, 이는 이론적 전이점과 일치한다.

5. 후처리 효율성

블록 섀도의 텐서 곱 구조 덕분에, 역 섀도 채널은 정확하며 폐쇄형으로 계산 가능하다. 이는 텐서 네트워크 근사나 수치 최적화를 필요로 하는 브릭워크 섀도와 대조되는 특징으로, 후처리 효율성 면에서 뚜렷한 이점을 제공한다.

의의 및 주장

본 논문은 얕은 깊이의 측정, 구체적으로 블록 섀도 프레임워크를 통한 측정이 노이즈가 있는 양자 장치에서 실질적인 이점을 제공한다고 주장한다.

강건성: 얕은 측정의 이점은 하드웨어 실험을 통해 검증된 바와 같이 실험적 노이즈에도 불구하고 지속된다.
다재다능함: 이 프레임워크는 클리포드 앙상블에 기반한 단일한 이론적 틀 아래 다양한 클래식 섀도 변형(데랜도마이즈드, 멀티샷, CRM, 오류 완화)을 통합한다.
확장성: 로그 깊이( $O(\log n)$ ) 회로를 사용함으로써, 이 접근 방식은 단순한 국소 측정과 전역 클리포드 측정 사이의 간극을 메워 현재의 NISQ 하드웨어에서 복잡한 양자 상태와 물리적 양량을 연구할 수 있게 한다.
ML 이점: 결과는 얽힘이 있는 측정이 양자 실험 데이터의 고전적 표현을 개선할 수 있음을 시사하며, 이는 지표 상태의 특성이나 상전이를 학습하기 위해 필요한 실험 횟수를 줄일 수 있는 잠재력을 가진다.

저자들은 자신들의 전형적인 경우(typical-case) 결과가 최악의 경우(worst-case) 보장을 의미하지 않는다는 점을 명시하며(스케일링이 불리한 특정 블록-곱 반례 인용), 이 접근 방식이 국소적 상관관계가 중요하거나 편향 상태를 사용할 수 있는 시스템에서 가장 효과적이라고 언급하며 신중한 입장을 유지한다.