Error-mitigation aware benchmarking strategy for quantum optimization problems

기술 요약: 양자 최적화 문제를 위한 오류 완화 인지 벤치마킹 전략

문제 정의
노이즈가 있는 중간 규모 양자(NISQ) 장치가 최적화 작업에서 양자 우위를 입증할 수 있는지 평가하는 것은, 특히 고전적 검증이 불가능한 문제에서 매우 중요하다. 물리적 엔트로피와 성능 저하를 연결하는 엄격한 도구로서 엔트로피 벤치마킹 프레임워크가 등장했지만, 현실적인 실험 환경에서는 상당한 한계에 직면해 있다. 구체적으로, 기존 방법들은 유한 샷 통계(finite-shot statistics) 또는 **양자 오류 완화(QEM)**를 고려하지 않는다. 확률적 오류 상쇄(PEC)와 같은 QEM 기법은 샘플링 오버헤드(음의성, negativity)를 대가로 추정 편향을 줄인다. 결과적으로, 물리적 상태 엔트로피는 오류가 완화된 추정치의 품질을 더 이상 정확하게 반영하지 못하며, 이는 결정론적인 엔트로피-에너지 곡선이 통계적이고 오류가 완화된 계산의 엔드 투 엔드(end-to-end) 성능을 특징짓기에 불충분함을 의미한다. 또한, 고정된 샷 예산(shot budget) 하에서 QEM을 적용하는 것이 실제로 양자 우위를 강화하는지 아니면 저해하는지를 결정하기 위한 정량적인 태스크 수준의 기준이 부족하다.

방법론
저자들은 유한 샷 통계와 QEM에 의해 유도되는 자원 오버헤드를 명시적으로 포함하는 벤치마킹 프레임워크를 제안한다. 이 방법론의 핵심은 "양자 우위"를 결정론적인 에너지 값이 아니라, 추정된 에너지가 고전적으로 인증된 구간 $[E_-, E_+]$ 내에 존재할 **신뢰도(성공 확률)**로 재정의하는 것이다. 여기서 $E_-$와 $E_+$는 실제 바닥 상태 에너지 $E_0$에 대한 가장 타이트한 알려진 하한 및 상한이다.

주요 방법론적 구성 요소는 다음과 같다:

1. 통계적 모델링: 프레임워크는 PEC에 의해 생성된 에너지 분포가 실제 바닥 상태를 중심으로 하는 정규 분포 $N(E_0, \sigma^2)$를 따른다고 가정한다. 분산 $\sigma^2$은 샘플링 오버헤드(음의성 $\gamma$)와 샷 수($N_{shots}$) 사이의 관계식 $N_{shots} \propto \gamma^2 / \sigma^2$를 통해 연결된다.
2. 성공 확률 공식화: 성공 확률 $P_{success}$는 추정된 에너지 분포의 질량이 구간 $[E_-, E_+]$ 안에 떨어질 확률으로 계산된다. PEC의 경우, 이는 총 샘플링 오버헤드 $\gamma_{tot}$와 샷 예산을 기반으로 한 오차 함수(error function)를 사용하여 유도된다.
3. 미지의 $E_0$에 대한 근사: 대상 응용 분야에서 $E_0$는 알 수 없으므로, 저자들은 오류 완화된 분포의 평균을 고전적 경계의 중간값인 $(E_- + E_+)/2$라고 가정함으로써 대리 성공 확률 $\tilde{P}_{success}$를 도입한다.
4. 원시 결과(Raw Results)와의 비교: 프레임워크는 또한 완화되지 않은(raw) 측정값에 대한 성공 확률도 계산한다. 이 경우 분포는 편향되어 있지만($E_{noisy} \neq E_0$) 분산은 더 낮다. 원시 데이터의 성공 확률은 분산과 노이즈에 의한 평균의 이동 모두에 의존한다.
5. 사례 연구: 프레임워크는 전역 탈분극 노이즈(global depolarizing noise) 하에서 깊이 $D=64$인 해밀토니안 변분 안사츠(HVA) 회로를 사용하는 $8 \times 8$ 격자($L=64$ 사이트, $n=128$ 큐비트) 상의 2D 페르미-허바드(Fermi-Hubbard) 모델의 바닥 상태 에너지 추정에 적용되었다.

주요 결과
수치적 원리 증명 연구를 통해, 저자들은 이 프레임워크가 노이즈 수준($P$)과 샷 수($N_{shots}$)의 파라미터 공간을 세 가지 뚜렷한 영역으로 효과적으로 분할함을 보여준다:

• Raw Regime (원시 영역): 노이즈가 적고 샷이 충분한 환경에서는 원시(완화되지 않은) 전략이 PEC보다 높은 성공 확률을 나타낸다. 여기서는 PEC의 샘플링 오로헤드가 불필요하며, 원시 데이터의 편향은 무시할 만한 수준이다.
• PEC Regime (PEC 영역): 노이즈가 증가함에 따라 원시 데이터의 편향이 평균을 성공 구간 밖으로 이동시켜 성공 확률을 감소시킨다. 반면, PEC는 평균을 $E_0$로 유지하지만 분산을 증가시킨다. 중간 노이즈 영역에서 PEC는 원시 샘플링보다 높은 성공 확률을 제공하여 유리한 전략이 된다.
• None Regime (무효 영역): 노이즈 수준이 매우 높거나 샷 예산이 극도로 낮은 경우, 두 전략 모두 정의된 성공 임계값(본 연구에서는 0.95로 설정)을 달hi지 못한다. 이 영역에서는 어떤 완화 전략을 사용하더라도 양자 우위가 보장되지 않는다.

연구는 이러한 영역 간의 전이가 비자명하다는 것을 밝혀냈다. 예를 들어, 원시 전략의 경우 노이즈 임계값을 넘어 샷 수를 늘리면 역설적으로 성공 확률이 감소할 수 있는데, 이는 분포가 타겟 구간 밖에 있는 편향된 평균 주위로 더 밀집되기 때문이다.

의의 및 주장
본 논문은 근미래 하드웨어에서의 최적화에 대한 잠재적인 실질적 양자 우위를 평가하기 위한 태스크 수준의 기준을 제공한다고 주장한다. 이 연구의 주요 의의는 다음과 같다:

• 결정론적 지표를 넘어: 이를 통해 벤치마킹 패러다임을 결정론적인 엔트로피-에너지 매핑에서 신뢰 구간에 대한 통계적 평가로 전환하며, 이는 유한 샷 및 오류 완화 실험에 필수적이다.
• 운영적 의사결정: 프레임워크는 사용자가 언제 QEM을 배치할지 결정할 수 있는 가벼운 수치적 도구를 제공한다. 이는 하드웨어 노이즈와 가용 샷 예산이 일치하여 PEC가 양자 우위 달성 가능성을 실질적으로 높여주는 "골디락스 존(Goldilocks zones)"을 식별한다.
• 현실적 제약: PEC의 스케일링에 관한 기존의 부정적 결과와 대조적으로, 이 프레임워크는 편향 감소와 샘플링 오버헤드 사이의 트레이드오프를 명시적으로 모델링함으로써 현재 양자 하드웨어의 실제적인 한계를 다룬다.

저자들은 자신의 분석이 특정 가정(예: 가우시안 분포, 완벽한 노이즈 특성화)과 특정 해밀토니안 인스턴스에 의존한다는 점을 언급하며 주장에 대해 겸손한 태도를 유지한다. 그들은 프레임워크가 페르미-허바드 모델에 대해 시연되었지만, 고전적 경계가 존재하는 다른 격자 해밀토니안에도 적용 가능하며 다른 QEM 프로토콜으로 확장될 수 있다고 제안한다.