Quantum Filtering and Stabilization of Dissipative Quantum Systems via Augmented Neural Ordinary Differential Equations

기술 요약: 증강 신경 상미분 방정식을 통한 소산적 양자 시스템의 양자 필터링 및 안정화

문제 정의
개방형 양자 시스템의 추정과 제어는 시스템 해밀토니안이나 노이즈 모델을 완전히 알지 못할 때 근본적인 과제를 안겨줍니다. 실제 실험 환경에서 양자 궤적은 연속적인 약한 측정(continuous weak measurements)을 통해 부분적으로만 접근 가능하며, 기저의 역학은 숨겨진 시간 의존적 및 환경 의존적 소산 과정(비마르코프 효과)의 영향을 받습니다. 최적 제어 또는 리아푸노프(Lyapunov) 기반 방법과 같은 전통적인 제어 전략은 시스템의 해밀토니안과 소산 역학에 대한 완전한 지식에 크게 의존하므로, 정보가 불완전한 시나리오에는 적합하지 않습니다. 더욱이, 표준 머신러닝 접근 방식은 물리적 해석력이 부족하고 피드백 제어 법칙 설계를 위해 필수적인 미지의 파라미터를 명시적으로 복구하지 못하는 경우가 많습니다. 핵심적인 어려움은 명시적인 물리 모델 없이 불완전한 측정 데이터로부터 전체 양자 상태(블로흐 벡터)를 재구성하고 숨겨진 소산율을 동시에 추론하는 데 있습니다.

방법론: AQNODE 프레임워크
저자들은 부분적인 연속 측정 데이터로부터 양자 궤적과 소산 파라미터를 직접 학습하도록 설계된 데이터 기반 접근 방식인 증강 양자 신경 상미분 방정식(Augmented Quantum Neural Ordinary Differential Equation, AQNODE) 프레임워크를 소개합니다.

1. 증강 상태 표현: 관측 가능한 궤적만을 학습하는 표준 Neural ODE와 달리, AQNODE는 증강 상태 벡터 $Y_{aug}(t) = [x(t), y(t), z(t), \Delta(t), \gamma(t)]^T$를 정의합니다. 여기에는 관측 가능한 블로흐 벡터 성분($x, y, z$)과 숨겨진 시간 의존적 소산 파라미터인 확산율 $\Delta(t)$ 및 소산율 $\gamma(t)$가 포함됩니다. 이러한 증강은 문제를 순수 궤적 예측에서 결합된 시스템 식별 및 필터링 문제로 변환합니다.
2. 아키텍처: 이 프레임워크는 세 가지 주요 구성 요소로 이루어져 있습니다.
   • 인코더(Encoder): 부분적인 측정 기록($dY(t)$), 제어 입력($u(t)$), 그리고 초기 조건을 잠재 표현(latent representation) $h(t)$로 매핑하는 신경망입니다.
   • 신경 상미분 방정식(Neural ODE): 잠재 상태는 학습된 벡터장 $\dot{h}(t) = \text{MLP}_\theta([h(t), dY(t), u(t), t])$에 따라 시간에 따라 연속적으로 진화합니다. 이를 통해 모델은 물리적 시스템 고유의 연속 시간 역학과 시간적 매끄러움을 포착할 수 있습니다.
   • 디코더(Decoder): 진화된 잠재 상태를 다시 증강된 관측 공간으로 매핑하여, 큐비트 상태와 숨겨진 소산 파라미터 모두에 대한 추정치를 출력하는 신경망입니다.
3. 훈련 및 손실 함수: 모델은 Ohmic Lorentz-Drude 저수지(reservoir)를 가진 2-레벨 시간-컨볼루션 없는(TCL) 마스터 방정식을 통해 생성된 시뮬레이션 데이터를 사용하여 지도 학습 방식으로 훈련됩니다. 전체 손실 함수는 예측된 상태 궤적($L_s$)과 파라미터 궤적($L_p$) 사이의 평균 제곱 오차(MSE)를 결합하며, 하이퍼파라미터 $\kappa$와 $\beta$에 의해 가중치가 부여됩니다. ODE 솔버를 통한 메모리 효율적인 그래디언트 계산을 위해 아드조인트 민감도 방법(adjoint sensitivity method)이 사용됩니다.
4. 피드백 제어 통합: 추론된 상태와 파라미터는 실시간 피드백 제어를 위해 활용됩니다. 저자들은 두 가지 전략을 구현합니다.
   • 비례-미분(PD) 제어: 추정된 상태와 목표 상태 사이의 오차를 기반으로 제어 필드를 계산합니다.
   • 시변 선형-이차 조절기(Time-Varying LQR): 상태 편차와 제어 에너지를 최소화하는 비용 함수를 해결하기 위해 미분 리카티 방정식(differential Riccati equation)을 풀어 피드백 이득을 동적으로 조정합니다.

주요 기여

• 동시 필터링 및 식별: AQNODE는 명시적인 물리 모델 없이도 부분적인 약한 측정 데이터로부터 큐비트 상태를 동시에 재구성하고 숨겨진 시간 의존적 소산율을 추론할 수 있게 합니다.
• 물리적 일관성 및 해석 가능성: 시스템을 Neural ODE에 의해 진화하는 잠재 공간에 내재시킴으로써, 프레임워크는 시간적 매끄러움과 물리적 일관성을 보장하며 블랙박스 형태의 궤적 적합이 아닌 해석 가능한 파라미터($\Delta(t), \gamma(t)$)를 명시적으로 반환합니다.
• 데이터 기반 제어: 학습된 양자 필터링을 고전적 제어 전략(PD 및 LQR)과 통합하여, 부분 데이터로부터 정확한 상태 재구성이 소산적 양자 시스템을 목표 상태로 실시간으로 유도하기에 충분함을 입증했습니다.
• 강건성 및 일반화: 이 접근 방식은 환경 파라미터($\alpha, r$) 및 시스템 파라미터($M, \omega_0$)의 상당한 변화, 그리고 초기 조건의 섭동을 포함하는 분포 내(WD) 및 분포 외(OOD) 영역 모두에서 검증되었습니다.

결과
비마르코프 환경과 상호작용하는 단일 구동 큐비트에 대한 광범한 수치 시뮬레이션은 AQNODE의 효능을 입증합니다:

• 상태 및 파라미터 추정: WD 영역에서 모델은 상태 성분($< 10^{-4}$)과 파라미터 모두에 대해 낮은 MSE를 달side합니다. 훈련 분포에서 크게 벗어난 OOD 영역에서도 모델은 상태에 대해 합리적인 정확도(MSE $< 10^{-3}$)를 유지하며 강력한 일반화 능력을 보여줍니다.
• 제어 성능: 타겟 상태 $|0\rangle$로 큐비트를 유도하기 위한 피드백 제어로 사용될 때, AQNODE 기반 컨트롤러(PD 및 LQR 모두)는 시스템을 성공적으로 안정화합니다.
  • LQR 제어: PD 제어에 비해 수렴 속도, 최종 상태 편차, 충실도(fidelity $\geq 0.93$) 측면에서 우수한 성능을 보였습니다. 특히 OOD 조건에서도 탁월한 성능을 보였습니다. 그러나 이러한 향상된 제어 성능은 더 높은 에너지 소비를 대가로 합니다. 표 III에 따르면, WD 영역에서 LQR은 PD 제어(2310.9)보다 훨씬 큰 제어 에너지(5624.1)를 요구합니다.
  • 순도 및 결맞음: 모델은 제어 필드와 환경 소산에 의해 유도되는 과도적 진동과 정상 상태 동작을 포착하여 양자 순도와 결맞음의 진화를 정확하게 예측합니다.
• 섭동에 대한 강건성: 프레임워크는 초기 양자 상태의 섭동에 대해 강건성을 보이며, 시간이 지남에 따라 예측을 수정하여 실제 값(ground truth)에 정렬되는데, 이는 양자 필터의 동작을 모사합니다.

의의 및 주장
본 논문은 AQNODE가 소산적 양자 시스템의 실시간 모델링 및 제어를 위한 확장 가능하고, 미분 가능하며, 잠재적으로 실험적으로 호환 가능한 프레框架임을 주장합니다. 머신러닝과 양자 역학을 결합함으로써, 이 연구는 해밀토니안이나 노이즈 모델을 완전히 알지 못하는 상황에서 양자 시스템을 제어하는 과제에 대한 해결책을 제시합니다. 저자들은 이 데이터 기반 패러다임이 전통적인 양자 제어 기술과 머신러닝을 결합하며, 양자 상태 추정 및 안정화를 위한 신뢰할 수 있는 도구를 제공한다고 봅니다. 현재 연구는 2-레벨 시스템에 집중하고 있지만, 이 프레임워크는 고차원 및 복잡한 양자 시스템으로 확장 가능하며, 잠재적으로 양자 오류 수정 및 NISQ 시대의 시뮬레이션에 도움을 줄 수 있습니다. 이 연구의 의의는 정확한 파라미터 분포를 알 수 없는 환경에서 적응형 프로토콜을 가능하게 하는 "학습된 양자 관찰자(learned quantum observer)"로서 기능할 수 있는 능력에 있습니다.