Exploiting biased noise in variational quantum models

기술 요약: 변분 양자 모델에서의 편향된 노이즈 활용

문제 정의
변분 양자 알고리즘(VQA)은 노이시 중간 단계 양자(NISQ) 장치에서 양자 유용성을 입증하기 위한 주요 도구이다. VQA의 학습 가능성(trainability)은 활발한 논쟁의 대상이지만, 양자 노이즈가 고전적 최적화 과정에 미치는 구eral적인 영향은 여전히 제대로 이해되지 않고 있다. 전통적인 오류 완화 전략은 대개 "트월링(twirling)"을 통해 노이즈를 대칭화하여, 복잡한 노이즈 채널을 확률적 파울리 오류나 탈분극 채널과 같이 분석적으로 다루기 쉬운 형태로 단순화한다. 그러나 이러한 대칭화가 비-변분적 회로에는 유익할지라도, VQA의 역학(dynamics)과 호환되는지는 불분명하다. 본 연구는 노이즈의 내재적 편향(비-유니탈 노이즈)을 보존하는 것이 노이즈 대칭성을 강제하는 것보다 VQA 성능에 실제로 더 유리할 수 있는지 조사한다.

방법론
저자들은 분석적 유도와 수치 시뮬레이션을 결합한 이중 접근 방식을 사용하여, 노이즈가 VQA의 표현력(expressivity)과 학습 가능성에 미치는 영향을 격리하여 분석한다.

1. 이론적 프레임워크: 본 연구는 "데이터 재업로딩(data re-uploading)" 회로를 기반으로 하는 보편적 양자 회귀 모델을 활용한다. 이 회로들은 임의의 제곱 적분 가능한 함수를 학습할 수 있어, 이상적인 오차 없는 해(zero-error solution)를 알고 있는 환경을 제공한다. 저자들은 이 회로들을 파울리 전송 행렬(PTM) 형식으로 매핑한다. 이 프레임워크 내에서 양자 상태와 관측량은 벡터화되며, 회로의 역학은 선형 사상(superoperator)으로 기술된다. 이를 통해 노이즈 채널이 모델 출력의 푸리에 계수를 변경하지 않으면서 어떻게 감쇄시키거나 왜곡하는지에 대한 분석적 분해를 수행할 수 있다.
2. 노이즈 모델: 분석은 동일한 물리적 과정(진폭 감쇄)에 적용된 네 가지 서로 다른 노이즈 시나리오를 비교한다:
   • 결맞음 오류 (Coherent Errors): 유니터리 오류.
   • 편향된/비-유니탈 노이즈 (Biased/Non-unital Noise): 가공되지 않은 진폭 감쇄.
   • 파울리 트월드 노이즈 (Pauli-Twirled Noise): 진폭 감쇄로부터 유도된 동등한 파울리 채널.
   • 클리포드 트월드 노이즈 (Clifford-Twirled Noise): 진폭 감쇄로부터 유도된 탈분극 채널.
3. 지표:
   • 표현력 (Expressivity): 모델 출력의 예상 범위(최댓값과 최솟값의 차이)로 정량화된다.
   • 학습 가능성 (Trainability): 학습 가능한 파라미터에 대한 기울기(gradient) 크기의 분포를 통해 분석된다.
4. 수치적 검증: 이론적 결과는 다음 두 가지 작업에 대한 시뮬레이션을 통해 검증된다:
   • 데이터 재업로딩 회로를 이용한 절단된 푸리에 급수 학습.
   • 변분 양자 고유치 계산기(VQE)를 이용한 횡장 이징 모델(transverse-field Ising model)의 바닥 상태 에너지 해결.

주요 기여 및 결과

• 노이즈 대칭화에 대한 분석적 통찰: 저자들은 데이터 재업로딩 회로의 주파수 스펙트럼이 데이터 인코딩 해밀토니안에 의해서만 결정되는 반면, 노이즈는 푸리에 계수의 진폭과 분포에 영향을 미친다는 것을 입증한다.

  • 균일한 노이즈 (파울리/탈분극): 이러한 채널은 출력을 0으로 수축시키는 곱셈적 감쇄 인자를 도입한다. 이는 기울기 크기를 억제하고 모델의 표현력을 감소시켜, 효과적으로 손실 지형(loss landscape)을 평탄하게 만들고 최적화를 방해한다.
  • 편향된 노이즈 (진폭 감쇄): 이 비-유니탈 노이즈는 곱셈적 감쇄와 더불어 가산적 편향(additive bias)을 도입한다. 결정적으로, 가산 항들은 유효 회로 깊이가 감소하더라도 모델이 저주파 푸리에 성분에 대한 기여를 유지할 수 있게 한다. 이는 파울리 또는 클리포드 트월드 노이즈에 비해 더 넓은 출력 범위와 풍부한 기울기 프로파일을 보존한다.
  • 결맞음 오류: 이론적 분석은 결맞은(유니터리) 오류가 회로의 학습 가능한 파라미터로 재매개변수화(re-parameterization)를 통해 완전히 흡수될 수 있음을 확인하며, 이에 따라 표현력과 학습 가능성이 온전히 유지됨을 보여준다.

• 수치적 결과:

  • 표현력: 데이터 재업로딩 작업에서 결맞은 노이즈는 출력 범위의 저하를 보이지 않았다. 편향된 진폭 감쇄는 파울리 및 클리포드 트월드 대응 모델에 비해 현저히 넓은 출력 범위를 보존했다.
  • 학습 가능성: 파울리 트월드 노이즈 하에서의 기울기 분포는 급격한 붕괴를 보여 학습 가능성이 감소함을 나타냈다. 반면, 진폭 감쇄는 더 풍부한 기울기 분포를 유지하여 더 효과적인 최적화를 용이하게 했다.
  • VQE 성능: 횡장 이징 모델 벤치마크에서, 가공되지 않은 진폭 감쇄를 겪은 회로는 파울리 또는 클리포드 트월드 채널에 노출된 회로보다 더 낮은 에너지 상태(진정한 바닥 상태에 더 가까운 상태)를 달ach했다. 트월드된 채널들은 노이즈 강도가 증가함에 따라 솔루션 품질이 지수적으로 저하되는 모습을 보였다.

의의 및 주장
본 논문은 노이즈 대칭화를 위한 트월링이 모든 양자 알고리즘에 보편적으로 유익하다는 통념에 도전한다. 저자들은 VQA의 경우, 노이즈를 대칭화하는 과정이 클래식 옵티마이저가 더 나은 솔루션을 찾기 위해 활용할 수 있는 "도움이 되는" 방향성 편향을 제거한다고 주장한다.

구체적으로, 본 연구는 다음과 같이 주장한다:

1. 트월링은 성능을 저하시킬 수 있다: 비-변전적 노이즈 완화 전략에 파울리 또는 클리포드 트월링을 적용하는 것은 비-유니탈 노이즈에 내재된 "도움이 되는" 편향을 제거함으로써 VQA 성능에 부정적인 영향을 미칠 수 있다.
2. 편향의 보존은 유익하다: 하드웨어 노이즈(진폭 감쇄 등)의 자연스러운 편향을 유지하는 것은 균일한 노이즈와 관련된 심각한 출력 범위 수축과 손실 지형의 평탄화를 방지함으로써 VQA 성능을 향상시킬 수 있다.
3. 결맞은 오류는 관리 가능하다: 이러한 결과는 결맞은 오류가 복잡한 오류 수정보다는 재매개변수화를 통해 완화될 수 있다는 점에서, 비-결맞은(incoherent) 노이즈보다 덜 해롭다는 점을 뒷받침한다.

결론적으로, 저자들은 향러 VQA 설계 및 노이즈 완화 전략이 트월링을 자동적으로 적용하는 것을 재고해야 하며, 노이즈 편향을 제거하기보다는 보존하거나 활용하는 방향을 선호해야 한다고 제안한다.