Quantum measurement tomography with mini-batch stochastic gradient descent

기술 요약: 미니 배치 확률적 경사 하강법을 이용한 양자 측정 토모그래피

문제 정의
양자 측정 토모그래피(QMT)는 미지의 측정 장치를 특징짓는 양의 연산자 값 측정(POVM) 요소 $\{\Pi_i\}$를 재구성하는 것을 목표로 하는 양자 특성화, 검증 및 확인(QCVV)의 핵심 구성 요소입니다. 양자 상태 토모그래피(QST) 및 양자 프로세스 토모그래피(QPT)와 달리, QST와 QPT는 잘 확립된 경사 하강법 프레임워크를 갖추고 있는 반면, QMT는 확률적 최적화 방법의 채택이 뒤처져 있습니다. 기존의 QMT 접근 방식은 주로 준정부적 계획법(예: CVX를 통한)을 사용하는 제약된 볼록 최적화(CCO)에 의존합니다. 이러한 방법들은 두 가지 중요한 장애물에 직면해 있습니다:

1. 계산 확장성: 파라미터의 수가 시스템 크기(큐비트 수)에 따라 지수적으로 증가하여, 몇 개의 큐비트 이상의 시스템에서는 CCO를 계산적으로 불가능하게 만듭니다.
2. 강건성: CCO의 전처리 단계로 자주 사용되는 표준 선형 역행렬 방법은 조건이 나쁘고 노이로에 매우 민감하여, 이후의 정밀화 과정을 저해하는 비물리적인 추정치를 생성할 수 있습니다.

반복적 최대 가능도 추정(iMLE)이 존재하지만, 최적화 과정 전반에 걸쳐 물리적 제약(양의 준정부성 및 완결성)을 엄격하게 강제하는 데 어려움을 겪는 경우가 많으며, 때로는 수렴을 방해하는 사후 투영(post-hoc projection)이 필요하기도 합니다.

방법론
저자들은 QMT를 위한 미니 배치 확률적 경사 하강법(SGD) 프레임워크를 도입하여, (QST 및 QPT와 함께) 경사 하강 기반 토모그래피의 세 가지 핵심 요소(trio)를 완성했습니다. 이 방법론의 핵심은 QMT를 반복적 함수 최소화 문제로 재구성하는 것입니다. 추정된 POVM 요소가 최적화 과정 내내 물리적으로 유효한 상태(양의 준정부성 및 완결성)를 유지하도록 하기 위해, 저자들은 두 가지 별도의 파라미터화 기법을 제안합니다:

1. 스티펠 다양체(Stiefel Manifold, SM) 파라미터화:

   • 이 접근 방식은 복소 스티펠 다양체 $St(k \cdot d, d)$의 기하학적 구조를 활용합니다.
   • POVM 요소는 $\Pi_i = T_i^\dagger T_i$로 구성되며, 여기서 행렬 $T_i$들은 단일 행렬 $T_k$로 수직으로 쌓입니다.
   • 완결성 조건 $\sum \Pi_i = I$는 $T_k^\dagger T_k = I$라는 직교성 제약을 유지함으로써 본질적으로 강제됩니다.
   • 최적화는 매니폴드 상에 파라미터를 유지하기 위한 리트랙션 절차(Cayley 변환)를 사용하는 바닐라 경사 하강법(VGD)을 사용하여 수행됩니다.

2. HONEST 파라미터화 (고유값 스케일링 기술을 통한 헤르미트 연산자 정규화):

   • 이 접근 방식은 촐레스키 분해($T_i^\dagger T_i$)를 통해 정규화되지 않은 양의 준정부 연산자를 구성합니다.
   • 완결성은 투영 정규화 단계를 통해 강제됩니다. 정규화되지 않은 연산자들의 합 $S = \sum T_i^\dagger T_i$를 계산하고, 고유값 스케일링(수치적 불안정성을 처리하기 위한 스펙트럼 정규화 포함)을 통해 $S^{-1/2}$를 도출합니다.
   • 최종 POVM 요소는 "샌드위치" 방식을 통해 얻어집니다: $\Pi_i = S^{-1/2} T_i^\dagger T_i S^{-1/2}$.
   • 이 기법은 모멘텀 기반 Adam 옵티마이저를 사용하여 최적화됩니다.

손실 함수
프레임워크는 최적화를 유도하기 위해 두 가지 손실 함수를 평가합니다:

• 평균 제곱 오차 (MSE): 관측된 확률과 예측된 확률 사이의 불일치를 최소화하는 $L_2$ 노름과 동일합니다.
• 평균 음의 로그 가능도 (MLE): 최대 가능도 추정(Maximum Likelihood Estimation)에서 영감을 받아, 관측된 데이터의 음의 로그 가능도를 최소화합니다.

주요 기여

• 알고리즘 완성: 본 연구는 QMT를 위한 전용 SGD 알고리즘을 제공함으로써, 양자 실험의 세 가지 근본적인 구성 요소(상태, 프로세스, 측정)에 대한 경사 하강법 툴킷을 완성했습니다.
• 물리적 제약 처리: SM 및 HONEST 파라미터화의 도입은 최적화 과정 중에 물리적 제약이 충족되도록 보장하며, 수렴을 방해할 수 있는 사후 투영의 필요성을 제거합니다.
• 확장성: 미니 배치 접근 방식은 대규모 데이터셋을 효율적으로 처리할 수 있게 하며, 시스템 차원이 증가함에 따라 전통적인 CCO 방법보다 훨씬 더 잘 확장됩니다.
• 오픈 소스 구현: 연구의 채택과 추가 연구를 촉진하기 위해 Python 구현체가 공개되었습니다.

결과
저자들은 이산 변수(DV) 및 연속 변수(CV) 시스템 모두에서 SGD-QMT 알고리즘을 최첨단 CCO 방법(CVX 사용)과 벤치마킹했습니다.

• 이산 변수 시스템 (최대 6 큐비트):

  • 계산 효율성: 4 큐비트 이상의 시스템에서 SGD-QMT 방법은 CCO-CVX에 비해 수 차수의 속도 향상을 달enc했습니다. 예를 들어, 32개의 POVM 요소를 가진 5-큐비트 시스템을 재구성하는 데 CCO-CVX는 약 1000초가 걸린 반면, SGD-QMT는 수십 초밖에 걸리지 않았습니다. CCO-CVX는 6-큐비트 시스템에 대해 합리적인 시간 내에 수렴하지 못했으나, SGD-QMT는 약 2분 만에 성공했습니다.
  • 재구성 충실도: CCO-CVX는 작은 시스템(3-4 큐비트까지)에서 약간 더 높은 충실도를 제공했지만, SGD-QMT는 CCO가 실패하는 더 큰 시스템에서도 높은 정확도(프로베니우스 오차 $\sim 10^{-4}$ ~ $10^{-5}$)를 유지했습니다.
  • 최고 성능 모델: HONEST-MLE 조합(HONEST 파라미터화와 MLE 손실 결합)이 특히 랭크-1 투영 측정에서 가장 높은 재구성 정확도를 일관되게 보여주었습니다.

• 연속 변수 시스템 (광자 검출 및 계수):

  • 방법론은 절단된 힐베르트 공간 차원 32인 광자 검출(2-결과) 및 광자 계수(다중 결과) 시나리오에 대해 테스트되었습니다.
  • 광자 계수: 이 시나리오는 최대 10,000회의 반복이 필요한 계산 집약적인 작업이었습니다. HONEST-MLE는 $\sim 10^{-4}$의 평균 프로베니우스 노름을 달성하여 다른 변형들을 크게 앞질렀습니다. CCO-CVX는 이러한 경우 한 시간 내에 해답을 생성하는 데 실패했습니다.
  • 정확도: 재구성된 연산자의 히트맵은 대각 성분의 거의 완벽한 회복과 비대각 성분의 높은 정확도를 보여주었으며, 이는 재구성의 물리적 타당성을 입증합니다.

의의 및 주장
본 논문은 SGD-QMT가 특히 시스템 규모가 전통적인 볼록 최적화의 능력을 넘어설 때, 양자 측정 장치를 특성화하기 위한 다재다능하고 효율적이며 강건한 프레임워크를 제공한다고 주장합니다. 경사 하강법을 통해 "토모그래피 트리오"를 완성함으로써, 저자들은 QCVV 프로토콜을 위한 통합된 접근 방식을 제공합니다.

저자들은 자신의 방법이 계산적으로 효율적이고 노이즈에 강하지만, CCO가 여전히 더 빠르고 약간 더 정확한 소규모 시스템을 대체하려는 것이 아님을 강조합니다. 대신, 그 의의는 CCO가 다루기 힘든 더 크고 고차원적인 시스템(예: 5-6 큐비트 및 CV 시스템)에 대한 QMT를 가능하게 하는 데 있습니다. 이 연구는 특히 투영 측정의 경우 HONEST-MLE가 가장 효과적인 구성임을 시사하며, 상태, 프로세스 및 측정 토모그래피를 결합한 미래의 통합 최적화 문제에 대한 잠재력을 강조합니다.