Post-processing optimization and optimal bounds for non-adaptive shadow tomography

기술 요약: 비적응형 섀도 토모그래피를 위한 후처리 최적화 및 최적 경계

문제 정의
양자 상태 토모그래피는 과도한 자원 요구량 문제에 직면해 있으며, 이는 "먼저 측정하고 나중에 질문하는(measure first, ask questions later)" 패러다임을 따르는 섀도 토모그래피 및 클래식 섀도(classical shadows)의 개발로 이어졌습니다. 최근의 적응형 연구들은 "먼저 측정하는" 측면(양자 연산)을 최적화하는 데 집중해 온 반면, "나중에 질문하는" 단계(클래식 후처리)에 대해서는 체계적인 관심이 부족했습니다.

정보적으로 과잉 결정된(informationally overcomplete) 양의 연산자 값 측정(POVM)을 사용하는 선형 토모그래피에서, 관측된 빈도로부터 추정량(estimator)으로 매핑하는 과정은 유일하지 않습니다. 구체적으로, 고정된 POVM $\{E_j\}$와 타겟 관측량 $O$에 대하여, $O = \sum_j x_j E_j$를 만족하는 무편향 선형 재구성(계수 집합 $\vec{x}$)은 무수히 많이 존재합니다. 표준 프로토콜은 일반적으로 타겟을 고려하지 않는 "정준적(canonical)" 재구성 계수를 선택합니다. 그러나 이러한 정준적 선택은 특정 타겟에 대해 일반적으로 최적이 아니며, 이는 불필요하게 높은 추정량 분산을 초래하고 결과적으로 샘플링 복잡도를 증가시킵니다. 본 연구가 다루는 핵심 문제는 실험적 측정 방식 자체를 변경하지 않고도, 후처리에서의 "게이지 자유도(gauge freedom)"를 어떻게 체계적으로 활용하여 추정량의 최악의 경우 분산을 최소화할 것인가 하는 점입니다.

방법론
저자들은 최적의 재구성 계수 선택을 볼록 미니맥스 최적화(convex minimax optimization) 문제로 정식화합니다. 목표는 모든 양자 상태 $\rho$에 대해 추정량 $\hat{o}$의 최대 분산을 최소화하는 계수 $\vec{x}$를 찾는 것입니다.

1. 정식화: 문제는 다음과 같이 정의됩니다:
   $$\min_{\vec{x} \in \mathcal{B}} \max_{\rho \in \mathcal{R}} f(\vec{x}, \rho) = \text{Var}[\hat{o} | \vec{x}, \rho]$$
   단, $\sum_j x_j E_j = O$라는 제약 조건과 $\mathcal{B}$는 유계된 계수 집합, $\mathcal{R}$은 유효한 밀도 행렬의 집합을 가집니다.
2. 볼록성 및 수렴성: 저자들은 고정된 상태에 대해 분산이 $\vec{x}$에 대해 볼록(convex)하고, 고정된 계수에 대해 $\rho$에 대해 오목(concave)함을 입증합니다. 밀도 행렬 집합의 컴팩트하고 볼록한 특성 덕분에 미니맥스 정리(minimax theorem)가 적용됩니다. 이는 전역적 사들점(global saddle point)의 존재를 보장하며, min/max 연산의 역전을 가능하게 하여 효율적인 수치적 해법을 용이하게 합니다.
3. 알고리즘: 제안된 알고리즘은 주어진 상태에 대해 최적의 계수 $\vec{x}^*(\rho)$를 반복적으로 해결하며(이는 POVM 계수 행렬의 역행렬을 포함하는 해석적 해를 가짐), 그 후 상태 공간에 대해 분산 함수를 최대화합니다. 이 접근 방식은 클래식 후처리를 통해 달성 가능한 상태 독립적인 최악의 분산 상한을 정밀하게 제공합니다.

주요 결과
본 논문은 분산 최적화된 후처리가 표준적인 정준 재구성을 크게 능가할 수 있음을 보여주는 수치적 예시를 제시합니다:

• 곱 연산 관측량(Product Observables): 제한된 POVM(Pauli $X$ 및 $Z$ 투영자)과 텐서 곱 형태의 타겟 관측량에 대하여, 최적의 계수는 반드시 정준 해의 곱 구조를 따르지는 않습니다.
  • 특정 타겟 각도(예: $Z$ 고유상태에 대한 투영자)의 경우, 최적의 분산은 큐비트 수에 대해 아선형(sub-linear) 스케일링을 보입니다.
  • 이는 동일한 영역에서 지수적 스케일링을 보이는 정준 추정량과 극명하게 대조됩니다.
  • 최적의 해는 측정과 타겟이 모두 국소적임에도 불구하고, 글로벌 계수가 단순한 국소 계수의 곱으로 분해될 수 없다는 점에서 "얽혀 있는(entangled)" 특성을 가집니다.
• 국소 관측량의 합(Sum of Local Observables): 스핀 체인에서의 국소 파울리 관측량의 합(예: 외부 자기장 추정)을 추정할 때, 최적의 글로벌 계수는 역시 국소 정준 계수의 선형 결합에서 벗어납니다.
  • 최적 추정량의 샘플링 복잡도 스케일링은 아지수(sub-exponential) 스케일링(일부 영역에서는 이차 스케일링을 시사)을 보이는 반면, 정준 추정량은 특정 파라미터에 대해 덜 유리한 스케일링을 암시하는 상수 상한을 유지합니다.

의의 및 주장
본 논문은 비적응형 섀도 토모그래피에 귀속되는 샘플링 오버헤드가 측정 방식 자체의 근본적인 한계가 아니라, 종종 최적화되지 않은 재구성의 결과임을 주장합니다.

• 운용적 자유도: 본 연구는 후처리에서의 "자유"를 구체화하여, 데이터 획득 후 실험을 수정하지 않고도 이상적인 추정량 구성을 결정할 수 있음을 보여줍니다.
• 엄밀한 경계: 제안된 방법은 고정된 POVM 및 관측량에 대해 달성 가능한 가장 엄밀한 상태 독립적 분산 상한을 제공하며, 이는 표준적인 "섀도 노름(shadow norm)" 보증을 개선합니다.
• 스케일링 개선: 결정적으로, 저자들은 최적의 후처리가 단순히 상수 전계수(constant prefactor)를 개선하는 것을 넘어, 시스템 크기에 따른 샘플링 복잡도의 질적 스케일링(예: 지수적에서 아지수/아선형으로의 변화)을 변화시킬 수 있음을 입증합니다.
• 태스크 적응형 설계: 이 접근 방식은 추정량이 타겟 관측량에 특화되어 최적화되는 태스크 적응형 설계 문제를 확립하며, 패러다임을 "먼저 측정하고 나중에 질문하는" 것에서 "먼저 측정하고, 나중에 최적으로 처리하는" 것으로 이동시킵니다.

저자들은 현재 알고리즘이 수치 최적화에 의존하고 있지만, 이 프레임워크가 최악의 상태 구조를 이해하고 비선형 특성이나 실험적 노이즘 하에서의 강건한 추정과 같은 더 넓은 응용 분야를 위한 확장 가능한 제약된 변형 모델을 개발하는 길을 열어준다고 결론짓습니다.