Scalable Quantum State Preparation for Encoding Genomic Data with Matrix Product States

기술 요약: 행렬 곱 상태(Matrix Product States)를 이용한 유전체 데이터 인코딩을 위한 확장 가능한 양자 상태 준비

문제 정의
양자 하드웨어가 발전함에 따라, 양자 생물정보학의 핵심적인 병목 현상은 고전적 유전체 데이터를 양자 상태로 효율적으로 로딩하는 것입니다. 양자 서열 정렬(QSA) 및 팬게놈 그래프 해상도를 위한 양자 근사 최적화 알고리즘(QAOA)과 같은 많은 유망한 양자 알고리즘은 실행 전 데이터를 중첩 상태로 인코딩할 것을 요구합니다. 그러나 이러한 상태를 준비하기 위한 양자 회로를 구축하는 것은 하드웨어 노이즈로 인해 어려움이 따르며, 이는 회로 깊이(depth)를 제한합니다. 코사인-사인 분해(Cosine-Sine Decomposition, 결정론적 방식)나 상태 준비를 위한 유전 알고리즘(GASP, 확률적 방식)과 같은 기존 방법들은 확장성 문제나 계산 효율성 문제를 안고 있습니다. 또한, 텐서 네트워크(특히 행렬 곱 상태 또는 MPS)가 양자 회로를 시뮬레이션하는 데 널리 사용되지만, 임의의 데이터(유전 서열과 같은)의 MPS 표현을 양자 회로를 사용하여 준비하는 확장 가능한 방법은 부족한 실정입니다.

방법론
저자들은 임의의 정규화된 양자 상태 벡터, 특히 유전체 데이터에 특화된 형태를 생성하기 위해 행렬 곱 상태(MPS) 형식을 활용하는 확장 가능한 양자 회로 생성 방법을 제안합니다.

1. 데이터 인코딩: 유전체 리드(read)를 양자 상태 벡터로 매핑합니다. 길이 $L$인 유전체 리드는 위치 및 염기 레지스터로 분해됩니다. $k$-mer 인코딩($k=1$인 단일 염기의 경우)을 사용하여, 상태는 위치와 뉴클레오타이드 유형의 중첩으로 표현됩니다. 예를 들어, 박테리오파지 $\Phi$X174 게놈(5,386 염기쌍)은 15-큐비트 상태로 인코딩됩니다.
2. MPS 표현: 타겟 상태 벡터를 좌-캐노니컬(left-canonical) MPS로 변환합니다. 이는 상태 텐서를 재형성하기 위해 특이값 분해(SVD)를 반복적으로 적용하는 과정을 포함하며, 이 과정에서 내부 차원(결합 차원, $\chi$)은 사이트 간의 얽힘을 나타내는 일련의 행렬 체인 $A^{\sigma_i}$를 생성합니다.
3. 회로 구축 (역문제): 제로 상태 $|0\rangle$로부터 타겟 상태로 진화시키는 대신, 이 알고리즘은 역문제, 즉 타겟 상태를 제로 상태 $|0\rangle$로 진화시키는 문제를 해결합니다.
   • MPS는 결합 차원 $\chi=2$로 절단(truncate)되어 단일 층의 2-큐비트 유니터리 게이트($U_{\sigma_k, \sigma_{k-1}}$)와 최종 1-큐비트 게이트를 구성합니다.
   • 반복적인 절차가 사용됩니다: 현재의 타겟 상태를 $\chi=2$로 절단하고, 이 절단된 상태를 $|0\rangle$로 매핑하는 회로 $C_q$를 생성한 후, 원래의 타겟 상태에 역방향 회로 $C_q^\dagger$를 적용합니다.
   • 이 과정은 유니터리 층을 축적하며, 현재 상태와 $|0\rangle$ 사이의 충실도(fidelity)가 사전 정의된 임계값에 도달할 때까지 반복됩니다. 최종 회로는 축적된 일련의 역과정으로서, $|0\rangle$를 타겟 상태로 진화시킵니다.
4. 트랜스파일링(Transpilation): 생성된 회로는 인접한 이웃 간의 2-큐비트 게이트의 순차적 층으로 구성되므로 선형적이며, 복잡한 큐비트 라우팅 없이도 모든 하드웨어 토폴로지에 효율적으로 트랜스파일될 수 있습니다.

주요 기여

• 확장 가능한 회로 생성: 본 논문은 게이트 수가 $O(n \cdot \chi_{max}^2)$로 스케일링되는(여기서 $n$은 큐비트 수, $\chi_{max}$는 최대 결합 차원) 임의의 정규화된 상태를 위한 양자 회로를 생성하는 결정론적 방법을 제시합니다.
• 유전체 응용: 본 연구는 유전체 서열 리드를 인코딩하기 위해 MPS 상태 준비 기술을 적용한 첫 번째 사례입니다. 저자들은 $\Phi$X174 게놈(15 큐비트)과 SARS-CoV2 스파이크 단백질 유전자(14 큐비트)의 인코딩을 입증했습니다.
• 트레이드오프 분석: 연구는 MPS 결합 차원, 재구성 오차, 그리고 회로 복잡도 사이의 트레이드오프를 체계적으로 분석합니다. 이를 통해 높은 충실도의 유전체 데이터 인코딩이 관리 가능한 결합 차원(예: $\Phi$X174의 경우 $\chi=98$일 때 재구성 오차 $10^{-6}$)으로 가능하다는 것을 보여줍니다.
• 하드웨어 검증: 해당 방법은 HPC 클러스터에서 테스트되었으며, IBM 양자 하드웨어 에뮬레이터(8, 9, 10 큐비트)에서 시뮬레이션되어 접근 방식의 생존 가능성을 확인했습니다.

결과

• 효율성: MPS 방법은 동등한 알고리즘 충실도 측면에서 IBM Qiskit과 같은 표준 도구보다 게이트 수 면에서 우수합니다. $\Phi$X174 게로의 경우, 게이트 수는 약 $2^n$ (여기서 $n$은 큐비트 수)으로 스케일링되지만, $n \approx \log_2(L)$이므로 연산은 실제 유전체 리드 길이 $L$에 대해 선형적으로 스케일링됩니다.
• 충실도 vs 복잡도: 시뮬레이션 결과, 결합 차원을 줄이면 재구성 오차가 크게 증가함을 보여줍니다 (예: $\Phi$X174의 결합 차원을 절반으로 줄이면 오차가 약 20%로 증가함). 그러나 이 방법은 특정 충실도 임계값(예: 75%, 90%, 99%)에 맞춰 회로를 생성할 수 있는 조절 가능한 충실도를 제공합니다.
• 하드웨어 에뮬레이터 성능: IBM 에뮬레이터 테스트 결과, 알고리즘 충실도와 하드웨어 충실도 사이의 복잡한 상호작용이 드러났습니다. 게이트 수를 늘리면 알고리즘 충실도는 향상되지만, 하드웨어 노이즈가 결국 전체 충실도를 저하시킵니다. 최적의 지점은 회로 깊이가 하드웨어의 노이즈 내구성을 지원하는 구간에 존재합니다.
• 확장성 추정: 저자들은 2025년 말까지 현재의 하드웨어 능력을 통해 SARS-CoV2 스파이크 유전자(14 큐비트)를 인코딩 및 시퀀싱하고, 잠재적으로는 전체 $\Phi$X174 게놈(15 큐비트)을 물리적 양자 컴퓨터에서 처리할 수 있을 것으로 추정합니다.

의의 및 주장
본 논문은 이 방법이 "애플리케이션 준비가 된(application-ready)" 양자 생물정보학을 위한 실행 가능한 경로를 제공한다고 주장합니다. 유전체 데이터를 제어 가능한 오차와 관리 가능한 회로 깊이를 가진 양자 상태로 로딩함으로써, 저자들은 복잡한 워크플로우인 양자 서열 정렬 및 팬게놈 그래프 엉킴 해제 등을 근미래 양자 하드웨어에서 구현할 수 있다고 주장합니다.

저자들은 게이트 수가 큐비트 수에 대해 지수적으로 증가($2^n$)하지만, 큐비트와 유전체 길이 사이의 로그 관계($n \approx \log L$) 덕분에 이 방법이 실제 생물학적 데이터 크기에 대해 선형적으로 스케일링된다는 점을 강조합니다. 그들은 이 접근 방식이 데이터 로딩 병목 현상을 극고하여, 하드웨어 노이즈 수준이 적절히 관리된다는 전제하에 계통 발생 트리 구축 및 팬게놈 분석과 같은 과업을 위한 완전한 양자 생물정보학 파이프라인을 실행할 수 있는 필수적인 인프라를 구축한다고 결론짓습니다. 이 연구는 모든 생물학적 문제를 즉각 해결한다고 주장하는 것이 아니라, 미래의 알고리즘을 가능하게 하는 데 필요한 인프라를 확립하는 데 목적이 있습니다.