Tensor Train Quantum State Tomography using Compressed Sensing

기술 요약: 압축 센싱을 이용한 텐서 트레인 양자 상태 토모그래피

문제 정의
양자 상태 토모그래피(QST)는 측정 데이터로부터 양자 시스템의 밀도 행렬을 추정함으로써 양자 장치를 벤치마킹하고 검증하는 데 필수적이다. 그러나 표준 추정 방법들은 "차원의 저주"에 직면한다: 큐비트 수($N$)가 증가함에 따라 밀도 행렬의 파라미터 수($D = 2^N$)가 기하급수적으로 증가한다($O(D^2)$개의 파라미터 필요). 비록 많은 관심 대상 양자 상태들(예: 국소 해밀토니안의 바닥 상태, 거의 순수한 상태)이 효율적인 회복을 가능하게 하는 저계수(low-rank) 구조를 가지고 있지만, 기존의 확장 가능한 방법들은 한계를 가진다. 핵 노름(nuclear norm) 페널티를 사용하는 볼록 최적화(Convex optimization) 접근법은 대규모 시스템에서 계산적으로 매우 부담스럽다. 인수 분해 방법(예: Burer-Monteiro)은 효율성을 개선하지만, 복잡한 투영 과정 없이 필요한 물리적 제약 조건(에르미트성, 양의 준정부호성, 단위 트레이스)을 강제하는 데 어려움을 겪는 경우가 많다. 또한, 텐서 네트워크 표현인 행렬 곱 상태(Matrix Product States, MPS)는 순수 상태에는 효율적이지만, 이러한 제약 조건을 유지하면서 혼합 상태로 확장하는 것은 여전히 도전적인 과제이다.

방법론
저자들은 밀도 행렬 $\rho$를 블록 텐서 트레인(Block Tensor Train, Block-TT) 분해를 사용하여 매개변수화하는 새로운 QST 프레임워크를 제안한다. 이 접근 방식은 압축 센싱 원리와 텐서 네트워크 대수를 결합한다.

1. 매개변수화: 전체 밀도 행렬을 직접 최적화하는 대신, 이 방법은 밀도 행렬을 블록-TT 네트워크 $A$와 그 에르미트 전치 $A^H$의 컨트랙션(contraction)으로 표현한다 (즉, $\hat{\rho}_{TT} = A \bullet_n A^H$).

   • 이 네트워크 $A$는 $(N+1)$차 텐서이며, 특정 위치 $n$에 보조 인덱스 $K$를 가진 4차 코어를 제외한 대부분의 코어는 3차이다.
   • 이러한 구성은 행렬의 촐레스키 분해(Cholesky decomposition)와 유사하게, 최적화 과정 중 명시적인 제약 조건 없이도 결과물인 밀도 행렬이 양의 준정부호(positive semidefinite, PSD) 및 에르미트 성질을 갖도록 본질적으로 보장한다.
   • 단위 트레이스(unit trace) 제약 조건은 인자 $A$에 대한 프로베니우스 노름 제약($\|A\|_F \leq 1$)을 통해 관리된다.

2. 최적화: QST 문제를 관측된 측정 결과와 모델 예측 사이의 최소 제곱 오차를 최소화하는 비볼록 최적화 문제로 재구성한다.

   • 목적 함수: $\min_A \frac{1}{2} \|y - \mathcal{M}(\hat{\rho}_{TT})\|_2^2$ (단, $\|A\|_F \leq 1$ 제약 조건 하에).
   • 알고리즘: 단순 경사 하강법(Gradient Descent, GD)이 사용된다. 각 반복 단계에서 그래디언트는 텐서 네트워크 컨트랙션을 사용하여 계산되며, 업데이트된 인자는 랭크를 제어하고 직교성을 유지하기 위해 절단된 SVD(TT-SVD)를 통해 블록-TT 형식으로 다시 투영된다. 수렴 속도를 높이기 위해 모멘텀 계수가 사용된다.

3. 효율성: 이 방법은 기대값($\text{Tr}(\rho E_m)$)을 효율적으로 계산하기 위해 TT 대수를 활용한다. 측정을 평가하는 데 드는 계산 복잡도는 $O((4R^2 + 2R^3)(\log_2 D + K))$로 나타나며, 여기서 $R$은 TT-랭크이다. 이는 시스템 크기에 대해 $O(D^2)$의 복잡도를 갖는 표준 행렬 트레이스 계산보다 훨씬 효율적이며, 상태가 낮은 TT-랭크를 가질 때 그러하다.

주요 기여

• Block-TT 매개변수화: 밀도 행렬이 양의 준정부호성을 본질적으로 보존하도록 하는 블록-TT 표현을 도입하여, 다른 인수 분해 방법에서 요구되는 복잡한 투영 단계를 제거하였다.
• 확장성: 이 접근 방식이 파라미터 수를 시스템 크이에 대해 지수적 규모에서 로그 스케일로 줄임으로써, 광범위한 양자 상태(순수, 거의 순수, 바닥 상태)에 대해 차원의 저주를 완화함을 입증하였다.
• 알고리즘 프레임워크: 랭크 절단을 위한 TT-SVD를 활용하여 블록-TT 네트워크에 특화된 그래디언트 기반 최적화 알고리즘을 개발하였다.
• 비교 분석: CVX(볼록 최적화), MLE(최대 우도 추정), LR(저계수 투영 그래디언트) 방법 등 최신 기술들과의 포괄적인 비교를 수행하였다.

결과
3에서 12개 큐비트에 이르는 시스템에 대해 무작위 파울리 측정과 가우시안 노이즈(SNR = 60 dB)를 적용하여 수치 실험을 수행하였다.

• 정확도: 제안된 Block-TT 방법은 혼합 상태를 회복하는 데 있어 경쟁력 있는 정확도를 달 확보하였다. 충실도(Fidelity)와 트레이스 거리(Trace Distance) 측면에서 MLE보다 우수한 성능을 보였으며, 저계수(LR) 투영 그래디언트 방법과 전반적으로 유사한 성능을 보였다.
• 샘플링 효율성: 낮은 샘플링 비율($M/D^2 < 0.3$)에서는 CVX 방법이 가장 우수했으나, Block-TT 방법 또한 경쟁력을 유지하였다.
• 계산 효율성: 가장 유의미한 발견은 계산 시간이었다. 행렬 기반의 측정 평가는 큐비트 수에 따라 지수적으로 증가하는 반면, Block-TT 접근 방식은 거의 선형적으로 스케일링된다. 이를 통해 행렬 기반 방법으로는 계산이 불가능해지는 대규모 시스템(예: 12 큐비트)을 다룰 수 있게 한다.

의의 및 주장
본 논문은 제안된 Block-TT QST 접근 방식이 메모리 효율성, 계산 속도, 그리고 물리적 타당성 사이의 균형을 맞춤으로써 대규모 양자 상태 추정을 위한 실질적인 해결책을 제공한다고 주장한다.

• 완곡한 주장: 저자들은 이 방법이 특히 낮은 랭크의 텐서 네트워크로 잘 근사될 수 있는 양자 상태에 대해 효율적임을 명시적으로 밝히고 있다. 또한 현재 알고리즘이 단순한 경사 하강법임을 인정하며, TT 매니폴드 상에서의 더 발전된 최적화 기법이 성능을 더욱 향상시킬 수 있음을 언급하였다.
• 향후 연구 방향: 향후 연구로는 회복 보증에 대한 엄격한 이론적 분석과 결정론적 회복을 위한 구조화된 텐서 완성(tensor completion) 접근법의 개발을 제안하였다.
• 결론: 본 연구는 밀도 행렬을 Block-TT 네트워크를 통해 매개변수화하는 것이 전통적인 토모그래피에 대한 메모리 및 계산 효율적인 대안이 될 수 있음을 보여주며, 분해의 내재된 구조 외에 추가적인 제약을 부과하지 않고도 정확한 혼합 상태를 회복할 수 있음을 입증하였다.