Symbolic Pauli Propagation for Gradient-Enabled Pre-Training of Quantum Circuits

기술 요약: 그래디언트 기반 사전 학습을 위한 심볼릭 파울리 전파(Symbolic Pauli Propagation)

문제 정의
양자 기계 학습(QML) 모델, 특히 매개변수화된 양자 회로(PQC)에 기반한 모델은 훈련 효율성 측면에서 상당한 병목 현상에 직면해 있다. 현재의 양자 하드웨어에서 PQC를 평가하고 최적화하는 것은 자원 집약적이며, 분석적 방법(예: 파라미터 시프트 규칙)을 통해 그래디언트를 얻기 위해서는 파라미터 수에 선형적으로 비례하는 수의 회로 평가가 필요하다. 현실적인 작업의 경우, 이는 감당하기 어려운 훈련 시간으로 이어진다. 그래디언트 프리(gradient-free) 최적화 기법들도 존재하지만, 이들은 종종 불안정성을 보이며 비용이 많이 드는 양자 하드웨어에 대한 의존성을 제거하지 못한다. 또한, 그래디엔트가 시스템 크기에 따라 지수적으로 소멸하는 "바렌 플래토(barren-plateau)" 현상은 깊은 회로의 훈련을 복잡하게 만든다.

방법론
저자들은 양자 관측량을 특정 파라미터 할당에 의존하지 않는, 회로 파라미터의 명시적인 심볼릭 해석 함수로 표현하는 방법을 제안한다. 이는 하이젠베르크 묘사(Heisenberg picture)에서의 **심볼릭 파울리 전파(Symbolic Pauli Propagation)**를 통해 달성된다.

1. 정확한 전파: 양자 상태를 순방향으로 진화시키는 대신(슈뢰딩거 묘사), 이 방법은 유사 변환($O \to U^\dagger O U$)을 통해 관측량을 회로를 통해 역방향으로 진화시킨다. 파울리 기저(Pauli basis)로 제한될 때, 비클리포드(non-Clifford) 게이트는 단일 파울리 워드가 두 개의 워드로 분리되는 "분기(branching)" 효과를 유도한다. 이로 인해 항의 개수가 회로 깊이에 따라 지수적으로 증가한다.
2. 심볼릭 표현: 이전의 접근 방식들과 달리, 이 방법은 전파 과정에서 파라미터에 수치 값을 할당하지 않는다. 결과적으로 최종 전파된 관측량은 파라미터 $\vec{\theta}$의 사인(sine) 및 코사인(cosine) 곱에 의해 가중치가 부여된 파울리 워드들의 합으로 구성된 해석 함수가 된다.
3. 절단 스킴(Truncation Schemes): 항의 지수적 증가를 관리하기 위해, 저자들은 두 가지 절단 스키를 도입한다.
   • 파울리 가중치 컷오프 ($w_{cut}$): 비항등(non-identity) 연산자의 수가 임계치를 초과하는 파울리 워드를 버린다. 이는 국소적으로 스크램블링되는 안사츠(locally scrambling ansätze)에서 항의 중요도가 가중치에 따라 지수적으로 감소한다는 관찰에 근거한다.
   • 주파수 컷오프 ($\nu_{cut}$): 사인/코사인 인자의 개수(주파수)가 임계치를 초과하는 항을 버린다. 계수는 $\le 1$인 값들의 곱이므로, 고주파 항은 통계적으로 작은 계수를 가질 가능성이 높다.
4. 오차 범위: 저자들은 가중치와 주파수의 결합 절단에 대한 균등 오차 범위를 도출한다. 계수의 국소성 유도 붕괴를 가정할 때, 절단값들에 대해 오차가 지수적으로 감소함을 보여준다. 이는 붕계(combinatorial) 성장이 컷오프 값들에 의해 지배되는 경우에 해당한다. 또한 그래디언트에 대해서도 유사한 제어가 확립되었다.

핵심 기여

• 심볼릭 프레임워크: 즉각적인 양자 하드웨어의 도움 없이도 그래디언트 기반 최적화를 가능하게 하는, 관측량에 대한 해석적 표현을 생성하는 심볼릭 전파 프레임워크를 도입하였다.
• 확장 가능한 절단: 적절한 안사츠(특히 국소적 스크램블링 안사츠)의 선택과 파울리 가중치 및 주파수에 대한 제어된 절단을 결합하면, 고전적 시뮬레이션 능력을 넘어서는 시스템 크기에 대해서도 정확한 추정치를 얻을 수 있음을 입증하였다.
• 고전적 사전 학습(Classical Pre-Training): 양자 장치에서 미세 조정(fine-tuning)하기 전에 고전적 하드웨어에서 심볼릭 대리 목적 함수(surrogate objective)를 사용하여 PQC를 최적화하는 "고전적 사전 학습" 워크플로우를 제안하였다.
• 이론적 정당화: 절단 임계값과 근사 정확도 사이의 트레이드오프를 손실 함수와 그 그래디언트에 대해 정량화하는 엄격한 오차 범위(식 7 및 8)를 도출하였다.

결과
본 방법은 ANNNI(Axial Next-Nearest Neighbor Ising) 모델의 바닥 상태를 찾기 위한 변분 양자 고유값 솔버(VQE)를 통해 검증되었다.

• 시뮬레이션 설정: 실험은 로컬 엔탕글러(local entangler) 안사츠를 사용하는 18-큐비트 시스템에서 수행되었다. 결과는 정확한 대각화(exact diagonalization) 결과와 비교되었다.
• 정확도: $w_{cut} = 8$ 및 $\nu_{cut} = 20$의 컷오프를 사용했을 때 높은 정확도를 달립했다. 전파된 VQE 결과와 정확한 대각화 사이의 상대 오차는 매우 작았으며, 편차는 주로 스핀 구성이 덜 규칙적인 "안티페이즈(antiphase)" 영역(낮은 자기장 $h$, 높은 상호작용 $\kappa$)에서 발생했다.
• 수렴성: 훈련 곡선은 컷오프를 높임에 따라 정확한 값으로 빠르게 수렴함을 보여주었다. 특히, 상대적으로 작은 주파수 컷오프($\nu_{cut} = 20$)만으로도 완벽에 가까운 수렴이 가능했음을 주목할 만하며, 이는 근사의 효율성을 강조한다.
• 그래디언트 제어: 절단된 대리 목적 함수에서 파라미터 시프트 규칙을 통해 계산된 그래디언트는 정확한 그래디언트 지형(landscape)에 대한 제어 가능한 근사치를 제공함을 보여주었다.

의의 및 주장
본 논문은 이 접근 방식이 계산 부담을 양자 하드웨어에서 고전적 시뮬레이션으로 전환함으로써 더 큰 양자 시스템에 대한 확장 가능한 훈련을 가능하게 한다고 주장한다. 심볼릭 표현을 도출함으로써, 저자들은 그래디언트 기반 사전 학습이 효율적으로 이루어질 수 있도록 한다.

저자들은 이 방법이 관측량의 기댓값으로 표현 가능한 문제(VQE와 같은) 및 유리한 전파 특성을 가진 안사츠(국소적 스크램블링)에 특히 효과적이지만, 지나치게 많은 수의 관측량 전파를 요구하는 생성적 작업(generative tasks)에서는 어려움에 직면할 수 있다고 언급한다. 이 연구는 절단 가정이 유효하다면, 본 프레임워크가 직접적인 파동함수 진화가 고전적으로 불가능한 시스템 크기까지 확장될 수 있음을 시사한다. 향-연구 방향으로는 시뮬레이션 불가능한 회로에 적용하거나 다른 QML 문제 클래스로 범위를 넓히는 것이 포함된다.