Low-gate-count block encodings for second-quantized fermionic Hamiltonians

기술 요약: 제2양자화된 페르미온 해밀토니안을 위한 낮은 게이트 수 블록 인코딩

문제 정의
다체 해밀토니안의 효율적인 블록 인코딩은 양자 컴퓨팅, 특히 초기 결함 허용(fault-tolerant) 양자 시뮬레이션에서 과학적 계산을 위한 필수 전제 조건입니다. 기존 방법들, 예를 들어 선형 결합 유니타리(Linear Combination of Unitaries, LCU) 방식의 주요 병목 현상은 클래식 해밀토니안 계수를 양자 회로에 로드하는 데 따르는 자원 비용입니다. 일반적인 제2양자화된 전자 구조 해밀토니안의 경우, 상호작용 항의 수 $L$은 스핀 궤도 수 $n$에 대해 $\Theta(n^4)$로 스케일링됩니다. 표준 구성 방식은 T-게이트 복잡도가 $L$에 선형적으로 스케일링($O(n^4)$)되는 결과를 초래하며, 서브노멀라이제이션(subnormalization) 계수 $\alpha$ 또한 $O(n^4)$로 스케일링됩니다. 더욱이 많은 응용 분야에서는 고정된 입자 수 $\eta$를 가진 시스템을 시뮬레이션해야 하지만, 표준 블록 인코딩은 전체 힐베르트 공간으로 확산되어 입자 수 보존 법칙을 활용해 자원 오버헤드를 줄이는 데 실패합니다.

방법론
저자들은 페르미온 연산자를 파울리 문자열(Pauli strings)로 먼저 매핑하는 대신, 점유수(occupation-number) 표현법에서 직접 작용하는 제2양자화된 페르미온 해밀토니안을 위한 새로운 명시적 구성을 제안합니다. 이 방법론은 두 가지 주요 오라클인 희소성 오라클($O_C$)과 진폭 오라클($O_A$)에 의존합니다.

1. 희소성 오라클 ($O_C$): 행렬 요소의 위치를 결정하기 위해 다중 제어 게이트를 사용하는 대신, 저자들은 SWAP 기반 데이터 룩업 전략을 채택합니다. 이들은 SWAP-UP 네트워크를 사용하여 점유된 궤도를 나타내는 특정 큐비트를 최하위 유효 비트 위치로 이동시켜, 효율적인 제어 비트 플립(bit-flip)과 위상 인코딩을 가능하게 합니다. 이 접근 방식은 SWAP-UP, 래더 회로(staggered CNOTs), 그리고 페르미온 부호를 처리하기 위한 표적 파울리-Z 게이트를 사용하여 열 컬럼 희소성 오라클을 구축합니다.
2. 진폭 오라클 ($O_A$): 계수의 수치 값을 인코딩하기 위해, 저자들은 SELECT-SWAP 데이터 룩업 회로와 직접 샘플링(direct sampling) 방법을 결합합니다. SELECT-SWAP 기술은 클래식 데이터를 로드하는 데 드는 T-게이트 수를 $O(L)$에서 $\tilde{O}(\sqrt{L})$로 줄이기 위해 데이터 항목을 그룹화합니다. 직접 샘플링 방법은 계수가 $O(1)$이거나 인덱스에 따라 감소하는 경우, 복잡한 산술 연산이나 에일리어싱 샘플링(alias sampling) 없이 계수의 이진 표현을 확률 진폭으로 변환합니다.
3. 고정-$\eta$ 입자 구성: 고정된 입자 수 $\eta$를 가진 시스템의 경우, 저자들은 간접 확산(indirect diffusion) 전략을 도입합니다. 모든 형식적 궤도 인덱스에 대해 확산하는 대신, 이 확산은 점유된 궤도에 해당하는 인덱스에 대해서만 중첩을 생성하도록 입력 상태 $|j\rangle$에 의해 조건화됩니다. 이를 위해서는 $i$번째 점유된 큐비트의 주소를 보조 레지스터에 일시적으로 계산하는 점유 탐지 오라클($O_{occ}$)이 필요합니다. 이러한 상태 의존적 접근 방식은 확산을 관련 부분 공간으로 제한하여 서브노멀라이제이션 계수를 크게 줄입니다.
4. 구조화된 해밀토니안: 이 프레임워크는 평행 이동 불변성(translation invariance), 근접 이웃 상호작용 또는 계수 감소가 있는 해밀토니안으로 확장됩니다. 이 경우 로드해야 하는 서로 다른 계수의 수가 줄어들며, 간접 확산은 모든 가능한 쌍이 아닌 유효한 인덱스 쌍(예: $|p\rangle|p \pm m\rangle$)의 중첩을 생성하기 위해 산술 회로와 결합됩니다.

주요 기여 및 결과

• 게이트 복잡도의 이차적 개선: 일반적인 제2양자화 해밀토니안의 경우, 제안된 구성은 상호작용 항 $L$에 대해 $\tilde{O}(\sqrt{L})$ (구체적으로 $\tilde{O}(\sqrt{L \log(L/\epsilon)})$)의 T-게이트 스케일링을 달성하며, 이는 기존 LCU/QROM 방식의 선형 $O(L)$ 스케일링에 비해 이차적인 개선을 의미합니다. 전자 구조 해밀토니안($L \sim n^4$)의 경우, 이는 T-카운트를 $O(n^4)$에서 $\tilde{O}(n^2)$로 줄입니다.
• 고정-$\eta$ 섹터에서의 서브노멀라이제이션 계수 감소: 일반적인 전체 힐베르트 공간 설정에서 서브노멀라이제이션 계수는 $O(L) \sim O(n^4)$로 유지되지만, 고정-$\eta$ 입자 부분 공간을 타겟팅하는 구성은 일반적인 이체 상호작용에 대해 이 계수를 $O(n^2 \eta^2)$로 줄입니다. $\eta \ll n$인 경우, 이는 시간 진화(time evolution)를 위한 큐비티제이션(qubitization) 비용의 상당한 감소를 의미합니다.
• 구조화된 모델에 대한 최적화된 자원 추정:
  • 허바드 모델(Hubbard Models): 두 개의 고유한 계수만을 갖는 표준 허바드 모델의 경우, 데이터 룩업 비용이 사라지며, 복잡도는 희소성 오라클에 의해 지배되어 전체 공간에 대해 $O(n + \log(n/\epsilon))$ T-게이트를, $\eta$-입자 섹터에 대해 $O(n \log \eta + \log(\eta/\epsilon))$ T-게이트를 산출합니다.
  • 평행 이동 불변 및 국소화된 모델: 평행 이동 불변성이나 국소화된 궤도(계수가 감소하는 경우)를 가진 해밀토니안의 경우, 로드해야 할 서로 다른 계수의 수 $L_{distinct}$가 줄어듭니다. 구성 방식은 이러한 구조에 적응하여, 비구조화된 경우보다 T-카운트와 T-깊이를 더욱 낮춥니다.
• 기존 모델과의 비교: 본 논문은 Babbush 등의 [28] LCU 모델 및 Kivlichan 등의 [49] Trotter 기반 접근 방식과 결과를 비교합니다. 새로운 방법은 큐비티제이션 기반 시뮬레이션에서 더 낮은 T-카운트와 T-깊이를 제공합니다. 특히, 관련된 고정 입자 입력 모델(예: Tong, An 등 [38])이 존재하지만, 저자들의 구성은 일반적인 제2양자화 해밀토니안(비대각 일체 및 이체 상호작용 포함)의 고정-$\eta$ 섹터를 직접 타겟팅하는 최초의 명시적 블록 인코딩이며, 해밀토니안 시프트나 인스턴스 의존적 클래식 최적화에 의존하지 않고 회로 구성을 통해 최적의 서브노멀라이제이션 스케일링을 달축합니다.

의의
저자들은 이 연구가 다체 시스템의 초기 결함 허용 양자 시뮬레이션을 위한 실질적인 경로를 제공한다고 주장합니다. 이 작업의 의의는 다음과 같습니다:

1. 상당한 자원 감소: 상호작용 항 수($L$)의 선형에서 제곱근으로의 T-게이트 복잡도 감소와 고정 입자 시스템에 대한 서브노멀라이제이션 계수 감소는 시간 진화 및 고윳값 문제를 시뮬레이션하기 위한 결함 허용 오버헤드를 직접적으로 낮춥니다.
2. 직접적인 부분 공간 타겟팅: 이 구성은 일반적인 제2양자화 해밀토니안의 고정-$\eta$ 섹터를 직접 타겟팅하는 최초의 명시적 블록 인코딩으로, 해밀토니안 시프트나 클래식 최적화가 아닌 회로 구성을 통해 비대각 상호작용에 대한 최적의 서브노멀라이제이션 스케일링을 달성합니다.
3. 확장성: 이 접근 방식은 시스템 크기 $n$과 입자 수 $\eta$에 따라 효율적으로 스케일링되므로, 표준 입력 모델보다 더 큰 분자 및 응축 물질 시스템을 시뮬레이션하는 데 적합합니다.
4. 모듈성: 이 프레임워크는 범용적이며 근접 이웃, 평행 이동 불변, 인자화(factorized) 등 다양한 해밀토니안 구조에 적응할 수 있습니다. 이는 물리적 대칭성과 국소성을 체계적으로 통합하여 비용을 더욱 줄일 수 있음을 보여줍니다.

본 논문은 구조화된 해밀토니안과 고정 입자 섹터에서 개선 효과가 가장 두드러지지만, 일반적인 구성 역시 SWAP-UP 네트워크와 SELECT-SWAP 데이터 룩업을 활용하여 Clifford+T 게이트 오버헤드를 최소화함으로써 이전 방법들보다 이미 상당한 이점을 제공한다고 결론짓습니다.