Preparation Circuits for Matrix Product States by Classical Variational Disentanglement

1. 문제 정의 (Problem)

양자 시뮬레이션 및 양자 머신러닝에서 유용한 얽힌 초기 상태 (entangled initial states) 를 위한 양자 회로 표현을 찾는 것은 성공적인 계산의 핵심 요소입니다. 특히 1 차원 격자 시스템의 바닥 상태 (ground state) 를 나타내는 행렬 곱 상태 (Matrix Product States, MPS) 는 고전적으로 효율적으로 표현 가능하지만, 이를 양자 회로로 변환 (준비) 하는 과정에는 다음과 같은 어려움이 존재합니다.

• 기존 방법의 한계: 기존 순차적 (sequential) 준비 방법은 정확한 상태를 생성하지만, 필요한 게이트 수가 많아 근사적 (near-term) 양자 하드웨어의 제한된 게이트 예산 (gate budget) 과 유휴 큐비트 (idle qubits) 문제를 해결하기 어렵습니다.
• 바렌 플레이트 (Barren Plateaus): 전역적 중첩 (global overlap) 기반의 변분 최적화 방법은 비용 함수의 기울기가 기하급수적으로 작아지는 '바렌 플레이트' 현상으로 인해 학습이 불가능해질 수 있습니다.
• 결합 차원 (Bond Dimension) 제어: 기존 변분 양자 컴파일링 (AQC) 방법들은 충실도 (fidelity) 를 최적화하지만, MPS 의 결합 차원을 제어하지 못해 회로 깊이가 깊어질수록 결합 차원이 지수적으로 증가하여 고전적 계산 효율성을 잃을 수 있습니다.

2. 방법론 (Methodology)

저자들은 고전적 변분 해리 (Classical Variational Disentanglement, CVD) 라는 새로운 접근법을 제안합니다. 이는 MPS 를 준비하기 위해 양자 회로를 직접 학습하는 것이 아니라, MPS 를 '해리 (disentangle)'하여 단순한 곱 상태 (product state) 로 만드는 역방향 회로를 고전적으로 최적화하는 방식입니다.

• 핵심 아이디어:
  1. 주어진 MPS $|\psi\rangle$ 에 대해 파라미터화된 브릭월 (brick-wall) 형태의 국소 게이트들로 구성된 유니터리 해리자 $U$ 를 찾습니다.
  2. $U$ 를 적용하여 MPS 를 곱 상태 (product state) 로 변환한 후, 이를 계산 기저 상태 $|0\rangle^{\otimes n}$ 로 매핑합니다.
  3. 최종 준비 회로는 이 해리자의 역연산인 $U^\dagger$ 가 됩니다.
• 비용 함수 (Cost Function):
  • MPS 의 각 결합 (bond) 에서 슈미트 값 (Schmidt values) 을 기반으로 Rényi 엔트로피 또는 폰 노이만 엔트로피를 계산합니다.
  • 이 엔트로피를 최소화하는 방향으로 파라미터를 변분 최적화합니다. 엔트로피가 0 에 가까워지면 상태는 곱 상태에 수렴합니다.
• 고전적 효율성 보장:
  • 층별 최적화 (Layer-by-layer optimization): 전체 회로를 한 번에 합성하는 대신, 레이어별로 게이트를 적용하고 MPS 를 합성 (contraction) 한 후, 결합 차원을 제한된 값 $D$ 로 잘라내어 (truncation) 다음 단계로 진행합니다.
  • 병렬화: 각 결합의 슈미트 값은 MPS 의 표준형 ($\Gamma-\Lambda$ 형) 을 통해 국소적으로 접근 가능하므로, 최적화 알고리즘을 대규모로 병렬화할 수 있습니다.
• 학습 가능성 (Trainability):
  • 비용 함수가 매우 국소적 (2 개 큐비트) 이기 때문에 바렌 플레이트가 존재하지 않음을 수학적으로 증명했습니다.

3. 주요 기여 (Key Contributions)

이 논문은 기존 상태 준비 전략과 구별되는 세 가지 주요 기여를 제공합니다.

1. 결합 차원 (Bond Dimension) 에 대한 엄밀한 상한 증명:
   • 엔트로피 최소화를 통해 결합 차원을 제어할 수 있음을 보였습니다 (Lemma 1).
   • 작은 $\alpha$ 값을 가진 Rényi 엔트로피를 사용하면 결합 차원을 낮추는 데 집중할 수 있으며, 이는 알고리즘이 회로 깊이가 깊어지더라도 고전적으로 효율적으로 유지되도록 보장합니다.
2. 학습 가능성 및 오차 한계 증명:
   • 바렌 플레이트 부재 (Lemma 3): 국소적인 비용 함수 특성상 기울기가 기하급수적으로 사라지는 문제가 없음을 증명했습니다.
   • 오차 바운드 (Lemma 2): MPS 를 잘라내어 (truncation) 곱 상태로 만든 후 역전파할 때 발생하는 총 오차 ($\varepsilon$) 가 시스템 크기 $\sqrt{n}$, 회로 깊이 $L$, 그리고 잘라내기 오차 $\varepsilon_{trunc}$ 에 의해 제한됨을 증명했습니다.
3. 근사적 양자 컴파일링 (AQC) 의 새로운 패러다임:
   • 고정된 게이트 예산 하에서 작동하며, 순차적 준비나 전역적 최적화 방식보다 유연합니다.
   • MPS 의 국소적 인코딩 특성을 활용하여 게이트 단위의 국소 최적화를 가능하게 합니다.

4. 실험 결과 (Results)

저자들은 다양한 시나리오에서 CVD 알고리즘의 성능을 수치적으로 검증했습니다.

• 1 차원 스핀 모델 (Ising, XY, Heisenberg):
  • DMRG 로 얻은 바닥 상태 MPS 를 대상으로 CVD 를 적용했습니다.
  • Ising 모델은 약 10 개의 레이어로 높은 충실도로 준비되었으며, XY 및 Heisenberg 모델은 32 레이어 후에도 $10^{-4}$ 수준의 낮은 오차를 보였습니다.
  • 결합 차원이 증가하지 않고 유지되었으며, 엔트로피가 경계에서 중심으로 갈수록 감소하는 것을 확인했습니다.
• 페르미 - 허바드 모델 (Fermi-Hubbard Model):
  • 1 차원 격자의 전자 구조 문제 (높은 얽힘 상태) 에 적용했습니다.
  • DMRG 로 얻은 저차원 근사 MPS 를 CVD 를 통해 양자 회로로 변환하여, 실제 바닥 상태에 가까운 저에너지 상태를 준비할 수 있음을 보였습니다. 이는 양자 알고리즘의 초기값으로 유용함을 시사합니다.
• 얽힌 논리 큐비트 (Entangled Logical Qubits):
  • 양자 오류 정정 코드 ([5,1,3] 및 [11,1,5] 코드) 에 인코딩된 논리적 벨 쌍 (Bell pair) 을 해리하는 실험을 수행했습니다.
  • 얽힘이 멀리 떨어진 큐비트에 분산되어 있더라도, CVD 는 국소적 연산만으로도 얽힘을 neighboring sites 로 집중시켜 해리할 수 있음을 확인했습니다.
  • 다만, 얽힘이 교차 (interlaced) 되어 있는 경우 국소 최적화가 지역 최소값 (local minima) 에 갇힐 수 있음을 관찰했습니다.
• 특수 상태 (GHZ, Cluster, AKLT):
  • GHZ 상태는 $n/2$ 깊이의 회로로, 클러스터 상태는 2 깊이의 회로로 정확히 준비됨을 확인하여 이론적 기대와 일치함을 보였습니다.
  • AKLT 상태는 13 개의 레이어로 $10^{-3}$ 수준의 오차로 근사적으로 준비되었습니다.

5. 의의 및 결론 (Significance)

이 논문은 CVD를 통해 MPS 기반 양자 상태 준비 문제를 고전적 변분 최적화 프레임워크로 성공적으로 해결했습니다.

• 실용성: 현재 이용 가능한 NISQ (Noisy Intermediate-Scale Quantum) 장치의 제한된 게이트 예산과 오류 특성을 고려하여, 근사적이지만 고전적으로 효율적인 준비 회로를 생성할 수 있습니다.
• 확장성: 결합 차원을 제어함으로써 회로 깊이가 깊어져도 고전적 계산 자원이 폭발하지 않도록 보장합니다.
• 응용 분야:
  • 양자 시뮬레이션 (쿼치 동역학 등) 의 초기 상태 준비.
  • 변분 양자 고유값 솔버 (VQE) 나 냉각 프로토콜의 고품질 초기값 제공.
  • 양자 머신러닝 모델의 학습성 향상 (바렌 플레이트 회피).
  • 시간 진화 연산자 (MPO) 나 함수 (MPF) 의 양자 회로 컴파일링으로의 일반화 가능성 제시.

결론적으로, CVD 는 양자 상태 준비를 위한 강력한 고전적 전처리 도구로서, 양자 - 고전 하이브리드 알고리즘의 효율성을 크게 향상시킬 수 있는 잠재력을 가지고 있습니다.