Higher moment theory and learnability of bosonic states

문제 정의

양자 상태 토모그래피는 시스템 크기가 확장됨에 따라 본질적인 지수적 샘플 및 시간 복잡성 문제를 겪습니다. 특정 클래스의 상태(예: 스테빌라이저 상태, 저심도 회로 또는 가우시안 상태)에 대해서는 효율적인 학습 알고리즘이 존재하지만, **임의의 가우시안 유니터리에 의해 작용하는 포크 상태(Fock states)**에 대해서는 중요한 미해결 문제가 남아 있었습니다. 이 클래스는 양자 우위를 입증하기 위해 설계된 보슨 샘플링(BosonSampling) 실험의 핵심입니다.

이전 연구들은 가우시안 유니터리에 의해 작용하는 페르미온 포크 상태가 가우시안 상태이며, 따라서 2차 모멘트에 의해 완전히 규정되어 효율적으로 학습될 수 있음을 보여주었습니다. 그러나 가우시안 유니터리에 의해 작용하는 보존 포크 상태는 가우시안 상태가 아닙니다. 결과적으로, 2차 모멘트(공분산 행렬)나 고전적 시뮬레이션 가능성에 의존하는 기존의 효율적인 학습 알고리즘은 적용될 수 없습니다. 본 논문은 다음 질문을 다룹니다: 임의의 가우시안 유니터리에 의해 작용하는 임의의 보존 포크 상태를 학습할 수 있는 샘플 및 시간 효율적인 알고리즘이 존재하는가?

방법론 및 이론적 프레임워크

1. 고차 모멘트 이론 및 $G_t$ 상태
저자들은 모멘트에 의해 정의되는 계층적 상태 클래스를 도입합니다. 저자들은 $G_t$ 상태를 쿼드러처 연산자의 차수가 $\le t$인 해밀토니안의 열 상태(thermal state) 또는 순수 상태의 경우 해당 해밀토니안의 바닥 상태로 정의합니다.

• 핵심 이론적 통찰: 가우시안 상태($t=2$)는 1차 및 2차 모멘트에 의해 완전히 규정되는 반면, 저자들은 가우시안 유니터리에 의해 작용하는 포크 상태는 1차 4차 모멘트에 의해 완전히 규정된다는 것(구체적으로, 포크 상태의 경우 홀수 차 모멘트는 0이므로 2차 및 4차 모멘트)을 증명합니다.
• 재구성: 만약 어떤 상태가 $G_t$ 상태임이 약속되어 있다면, 해당 상태의 첫 $t$개 모멘트를 아는 것이 상태의 완전한 재구성(혼합 상태의 경우 최대 엔트로피 원리에 의해, 또는 순수 상태의 경우 바닥 상태의 유일성에 의해)을 가능하게 함을 확립합니다.

2. 심플렉틱 불변량 (Symplectic Invariants)
가우시안 유니터리 하에서의 상태 간 관계를 특징짓기 위해, 저자들은 일련의 심플렉틱 불변량을 개발합니다.

• 저자들은 모멘트 텐서 $\Sigma^{(t)}$와 재구성된 연산자 $\Lambda^{(s)}$를 정의합니다.
• 심플렉틱 형식 $\Omega$와 치환 연산자를 포함하는 특정 연산자의 고윳값으로부터 유도된 불변량 $\lambda(\rho)$ 집합을 구축합니다.
• 결과: 모든 다항식 불변량은 이러한 심플렉틱 불변량의 함수로 표현될 수 있음을 보여줍니다. 이는 두 상태가 가우시안 유니터리에 의해 연관될 수 있는지에 대한 필요 조건(가우시안 변환 가능성)을 제공합니다. 저자들은 2차 모멘트 불변량(공분산 행렬의 심플렉틱 고윳값)만으로는 특정 비가우시안 상태를 구별하기에 불충분하며, 더 높은 차수의 모멘트가 필요함을 입증합니다.

3. 학습 알고리즘
핵심 기여는 샘플 접근 권한을 가진 상태 $|\psi\rangle = \mathcal{U}_S |f\rangle$가 주어졌을 때, 미지의 가우시안 유니터리 $\mathcal{U}_S$와 미지의 초기 포크 상태 $|f\rangle$를 학습하는 명시적인 알고리즘입니다.

• 1단계: 모멘트 추정. 알고리즘은 헤테로다인 측정(heterodyne measurements)을 사용하여 1차 및 2차 모멘트 행렬($\Lambda^{(1)}$ 및 $\Lambda^{(2)}$)을 추정합니다.
• 2단계: 포크 상태 식별. 첫 번째 모멘트 행렬(공분산 행렬)의 실수부에 대해 윌리엄슨 분해(Williamian decomposition)를 수행함으로써, 알고리즘은 심플렉틱 고윳값을 추출합니다. 이 고윳값들은 초기 포크 상태 $|f\rangle$의 광자 수를 (치환을 제외하고) 유일하게 결정합니다.
• 3단계: 유니터리 복구. 초기 상태 구조가 식별되면, 알고리즘은 심플렉틱 대각화 행렬을 사용하여 가우시안 유니터리의 활성(squeezing) 부분을 "되돌립니다". 이는 문제를 알려진 포크 상태에 작용하는 수동 가우시안 유니터리(선형 광학)를 학습하는 문제로 축소합니다.
• 4단계: 수동 유니터리 학습. 수동 케이스의 경우, 알고리즘은 4차 모멘트 행렬을 활용합니다. 알고리즘은 4차 모멘트와 알려진 포크 상태 파라미터로부터 특정 행렬 $A$를 구성합니다. $A$를 대각화하고 유도된 행렬들의 동시 대각화를 수행함으로써, 알고리즘은 미지의 유니터리 행렬 $W$를 (치환 및 전역 위상을 제외하고) 복구합니다.

주요 결과

1. 효율적인 학습 알고리즘
본 논문은 미지의 포크 상태 $|f\rangle$가 미지의 가우시안 유니터리 $\mathcal{U}_S$에 의해 작용할 때 이를 효율적으로 학습할 수 있음을 증명하는 정리 2(및 보충 자료의 상세 버전인 정리 S1–S3)를 제시합니다.

• 샘플 복잡도: 필요한 헤테로다인 샘플의 수는 모드 수 $n$, 최대 광자 수 $f_{\max}$, 그리고 스퀴징 파라미터 $e^s$에 대해 다항식으로 스케일링됩니다. 구체적으로 표준 보슨 샘플링 케이스(수동 유니터리, $f_{\max}=1$)의 경우, 샘플 복잡도는 $\tilde{O}(n^8)$입니다.
• 시간 복잡도: 고전적 후처리 시간은 $n$, $f_{\max}$, $e^s$에 대해 다항식입니다. 알고리즘은 행렬 대각화, 특이값 분해(SVD), 윌리엄슨 분해와 같은 표준 선형 대수 루틴에 의존합니다.

2. 미해결 문제의 해결
이 연구는 아아론슨(Aaronson)과 그루월(Grewal)이 제기했던 보슨 샘플링 상태의 학습 가능성에 대한 공개된 질문을 해결했습니다. 기존의 "$t$-doped" 가우시안 상태 또는 클래식 섀도우(classical shadows)를 위한 알고리즘들이 있었으나, 이들은 지수적 시간 복잡도를 갖거나 이 특정 비가우시안 클래스에 적용되지 않았습니다. 본 연구는 이 클래스에 대한 최초의 샘플 및 시간 효율적인 알고리즘을 제공합니다.

3. 수치적 증거
무작위 유니터리에 대한 수치 시뮬레이션은 필요한 샘플의 실제 스케일링이 엄격한 최악의 경우 경계인 $O(n^8 \log n)$보다 나은 $O(n^6)$에 더 가깝다는 것을 시사합니다.

의의 및 주장

저자들은 자신들의 작업이 가우시안 상태 토모그래피의 한계를 넘어 고차 모멘트에 기반한 양자 상태 학습의 새로운 프레임워크를 구축한다고 주장합니다.

• 상보성: 이 결과는 다른 종류의 비가우시안 상태에 적용되는 다른 학습 알고리즘($t$-doped 상태 또는 클래식 섀도우 등)과 상보적입니다.
• 불변량: 유도된 심플렉틱 불변량은 포크 공간 컷오프(cutoff) 없이 가우시안 변환 가능성을 결정하는 도구를 제공하며, 이는 이전 방법들이 계산적으로 까다롭거나 제한적이었던 문제를 해결합니다.
• 향후 방향: 논문은 이러한 모멘트 기반 방법이 다른 $G_t$ 상태(예: $t=6$)를 학습하는 데 확장될 수 있음을 완곡하게 제안하며, 또한 이 불변량들이 가우시안 연산이 "자유로운(free)" 자원 이론에서 사용될 수 있음을 언급합니다. 또한 $G_t$ 상태의 정의와 모멘트 기법이 페르미온 시스템으로 일반화될 수 있음을 명시합니다.

본 논문은 새로운 실험 설업을 제안하는 것이 아니라, 기존 보슨 샘플링 아키텍처에서 생성되는 상태를 특징짓기 위한 이론적 및 알고리즘적 솔루션을 제공하며, 이러한 상태들이 비가우시안 성질에도 불구하고 여전히 효율적으로 학습 가능하다는 것을 입증합니다.