Efficient Preparation of Quantum States via Randomized Truncation

기술 요약: 무작위 절단을 통한 양자 상태의 효율적 준비

문제 정의
일반적인 양자 상태의 준비는 양자 화학, 미분 방정식, 머신러닝 등의 응용 분야에서 특히 중요한 양자 알고리즘의 근본적인 병목 현상입니다. 현실적인 타겟 상태들은 대개 지배적인 구성 요소들의 작은 핵심(core)과, 작지만 무시할 수 없는 수많은 성분들로 이루어진 "헤비 테일(heavy tail)"이 결합된 계층적 진폭 구조를 보입니다. 표준적인 결정론적 절단(deterministic truncation) 방식은 회로 복잡도를 줄이기 위해 이러한 작은 진폭들을 버립니다. 그러나 이 접근 방식은 정밀도와 자원 비용 사이에 엄격한 선형적 트레이드오프를 발생시킵니다. 즉, 트레이스 거리(trace-distance) 오차 $\epsilon$를 달 achieve하기 위해서는, 버려지는 $\ell_2$ 가중치가 $O(\epsilon)$가 되도록 충분한 진폭을 유지해야 합니다. 이러한 요구 사항은 수많은 작은 진폭 성분들의 인코딩을 강제하며, 이는 회로 깊이와 게이트 수의 기하급급한 증가로 이어집니다. 더욱이, 이러한 작은 성분들은 종종 매우 높은 정밀도의 게이트 합성(광범위한 T-게이트 오버헤드 필요)과 높은 제어 회전(CNOT 카운트 증가)을 필요로 하므로, 고충실도 상태의 준비를 근미래 및 결함 허용(fault-tolerant) 하드웨어 모두에서 불가능하게 만듭니다.

방법론
저자들은 확률적 증폭을 활용하여 결정론적 절단의 엄격한 한계를 우회하는 **무작위 상태 준비 프로토콜(randomized state-preparation protocol)**을 제안합니다. 이 방법은 전체 헤비 테일을 하나의 깊은 회로에 결합하여 인코딩하는 대신, 저복잡도 회로들의 무작위 앙상블을 구축합니다.

프로토콜은 다음과 같이 작동합니다:

1. 분할(Partitioning): 상태 진폭을 유의미한 집합 $A$ (진폭 $|\alpha_i| \geq t$)와 무시할 수 있는 테일 집합 $B$ ($|\alpha_i| < t$)로 분할합니다.
2. 앙상블 구축(Ensemble Construction): 테일 집합 $B$의 각 인덱스 $m$에 대해, 특정 양자 상태 $|\tilde{\psi}_m\rangle$를 정의합니다. 이 상태는 집합 $A$의 모든 진폭을 유지하면서, 증폭된 계수를 가진 단 하나의 $B$ 요소(인덱스 $m$)를 포함합니다.
3. 샘플링(Sampling): 프로토콜은 확률 $p_m = |\alpha_m| / \sum_{j \in B} |\alpha_j|$에 따라 테일 집합 $B$에서 인덱스 $m$을 샘플링합니다. 그에 대응하는 상태 $|\tilde{\psi}_m\rangle$를 준비합니다.
4. 결과 상태(Resulting State): 최종 출력은 혼합 상태 $\rho_{\text{approx}} = \sum_m p_m |\tilde{\psi}_m\rangle\langle\tilde{\psi}_m|$입니다.

결정적으로, 계수를 $1/p_m$ 배만큼 증폭함으로써 앙상블의 기대값이 원래의 타겟 상태 $|\psi\rangle$를 복구하도록 보장합니다. 저자들은 개별 회로들이 단순함에도 불구하고(단 하나의 테일 성분만 유지), 결과적인 혼합 상태가 결정론적 절단보다 훨씬 적은 오차로 타겟을 복구함을 증명합니다.

주요 기여 및 이론적 결과
주요한 이론적 기여는 이 무작위 접근 방식이 버려진 진폭 질량에 대해 오차 스케일링을 선형에서 이차(quadratic)로 개선한다는 것을 입증한 것입니다.

• 이차 오차 스케일링(Quadratic Error Scaling): 저자들은 버려진 $\ell_2$ 가중치가 $\epsilon^2$일 때, 무작위 앙상블의 트레이스 거리 오차는 $O(\epsilon^2)$로 스케일링되는 반면, 결정론적 절단은 $O(\epsilon)$로 스케일링됨을 증명했습니다 (Theorem 1).
• 자원 감소(Resource Reduction): 이러한 이차적 개선은 고정된 목표 충실도를 달성하기 위해 필요한 인코딩 진폭의 수를 줄여줍니다.
  • 지수적 감소 상태(양자 화학 및 갭이 있는 해밀토니언에서 흔함)의 경우, 무작위 프로토콜은 결정론적 접근 방식에 비해 약 절반의 진폭 수($K_{\text{det}} \approx 2K_{\text{rand}}$)를 요구합니다.
  • 멱법칙(Power-law) 감소 상태(다체 물리 및 데이터 로딩에서 흔함)의 경우, 자원 절감 효과는 $O(\hat{\epsilon}^{-1/(2r_{\text{pow}}-1)})$로 점근적으로 스케일링되며, 원하는 정밀도가 높아질수록 더 큰 이득을 제공합니다.
• 게이트 수준의 절감(Gate-Level Savings): 작은 계수들을 증폭함으로써, 프로토콜은 이들의 기여를 최고 정밀도 영역 밖으로 끌어올립니다. 이는 매우 높은 정밀도의 다중 제어 회전을 위한 필요성을 줄여주며, 결과적으로 작은 각도를 해결하는 데 따르는 T-게이트 카운트와 CNOT 오버헤드를 크게 낮춥니다.

수치적 결과
저자들은 몇 가지 현실적이고 합성된 사례를 통해 프로토콜을 검증했습니다:

• LiH 분자: 12 큐비트에 매핑된 리튬 수소화물(LiH) 분자의 바닥 상태를 사용하여, 무작위 프로토콜은 트레이스 노름 오차 $5.86 \times 10^{-4}$에서 결정론적 절단 대비 CNOT 카운트 82.2% 감소 및 T-게이트 카운트 81.2% 감소를 달성했습니다.
• 합성 멱법칙 상태: 진폭이 $j^{-5}$로 감소하는 10-큐비트 상태에 대해, 이 방법은 트레이스 노름 오차 $1.04 \times 10^{-13}$에서 CNOT 카운트 최대 98.9% 감소 및 T-게이트 카운트 최대 98.5% 감소를 보여주었습니다.
• 머신러닝 및 다체 물리: 프로토콜은 훈련된 ResNet(10 큐비트)에서 유도된 상태와 횡장 이징 모델(Transverse-field Ising Model, 11 큐비트)의 바닥 상태에서도 테스트되었습니다. 두 경우 모두, 무작위 방식은 고정된 비용 대비 결정론적 절단보다 일관되게 낮은 트레이스 노름 오차를 달성하여, 엄격한 멱법칙이나 지수 분포를 넘어선 적용 가능성을 확인했습니다.

의의 및 주장
본 논문은 복잡한 양자 상태를 초기화하기 위한 자원 효율적인 패러다임을 확립한다고 주장합니다. 게이트 합성 정밀도 요구 사항을 완화하고 인코딩된 진폭의 수를 줄임으로써, 이 방법은 엔드 투 엔드 양자 알고리즘의 핵심적인 병목 현상을 해결합니다.

저자들은 이 접근 방식이 근미래(near-term) 및 결함 허용(fault-tolerant) 환경 모두와 호환된다는 점을 강조합니다:

• 근미래 장치의 경우, 하나의 깊고 거대한 단일 회로를 더 단순하고 얕은 회로들의 샘플링으로 대체하여, 결맞음 시간 제한 내에서 상태 준비를 가능하게 합니다.
• 결함 허용 아키텍처의 경우, 고정밀 회전과 관련된 T-게이트 오버헤드 및 CNOT 비용을 크게 줄여줌으로써, 효율적으로 준비 가능한 양자 상태의 범위를 확장합니다.

이 연구는 무작위 절단 전략이 버려진 테일 가중치의 제곱에 비례하는 엄격하고 제어 가능한 오차 경계(error bound)를 제공하며, 이를 통해 정확도를 희생하지 않고도 복잡한 상태 준비에 의존하는 알고리즘의 효율적인 구현을 가능하게 한다고 결론짓습니다.