Pre-optimization of quantum circuits, barren plateaus and classical simulability: tensor networks to unlock the variational quantum eigensolver

기술 요약: 양자 회로의 사전 최적화, 바렌 플레이토(Barren Plateaus), 그리고 고전적 시뮬레이션 가능성

문제 정의
변분 양자 알고리즘(VQA), 예를 들어 변분 양자 고유치 솔버(VQE)는 상호작닿는 다체 계의 바닥 상태를 준비하기 위한 유망한 접근 방식이다. 그러나 이들의 실질적인 유용성은 변분 양자 알고리즘의 "바렌 플레이토(Barren Plateau, BP)" 문제에 의해 저해된다. 이는 에너지 지형이 시스템 크기에 따라 지수적으로 평탄해져서, 기울기(gradient)가 소멸하여 최적화가 불가능해지는 현상을 의미한다. 최근 연구들은 기울기가 소멸하지 않고 다항식 수준으로만 감소하는 "비옥한 골짜기(fertile valleys)"가 파라미터 공간에 존재함을 시사하지만, 이러한 영역은 대개 고전적으로 시뮬레이션 가능한 유효 부공간(effective subspaces)으로 제한된다. 본 연구에서 다루는 핵심 과제는 두 가지이다: (1) 고전적 방법이 바렌 플레이토를 피하기 위해 양자 회로를 이러한 학습 가능한 영역 내로 효과적으로 초기화할 수 있는가? (2) 일단 초기화된 후, 양자 프로세서는 추가적인 최적화를 위해 고전적 시뮬레이션보다 계산적 우위를 제공하는가, 아니면 여전히 고전적으로 시뮬레이션 가능한 문제인가?

방법론
저자들은 매개변수화된 양자 회로(PQC)를 사전 최적화하기 위해 2차원 텐서 네트워크(TN), 구체적으로는 투영 얽힘 쌍 상태(PEPS)를 활용하는 하이브리드 고전-양자 전략을 제안한다.

• 고전적 사전 최적화: 저자들은 횡장 이징 모델(TFIM)의 바닥 상태를 준비하도록 설계된 PQC를 최적화하기 위해 자동 미분과 결합된 PEPS 및 "단순 업데이트(Simple Update, SU)" 알고리즘을 사용한다. 이를 통해 얕은 회로에 대한 최적의 파라미터($\theta_{opt}$)를 결정한다.
• 웜 스타트(Warm-Start) 초기화: 이렇게 최적화된 파라미터들은 더 깊은 층의 양자 회로를 초기화하는 데 사용된다. 더 깊은 층의 나머지 파라미터들은 0(항등 초기화)으로 설정되어, TN으로 최적화된 상태가 더 깊은 안사츠(ansatz) 내에 효과적으로 임베딩되도록 한다.
• 지형 진단: 바렌 플레이토 회피를 검증하기 위해, 저자들은 웜 스타트 지점 주변의 에너지 지형을 조사한다. $\theta_{opt}$ 주변의 반지름 $r$인 하이퍼큐브 내에서 파라미터를 샘플링하고, 기울기 크기의 대리 지표로서 에너지 분산 $\text{Var}(E)$를 측정한다.
• 복잡도 비교: 논문은 고전적 TN 시뮬레이션 비용과 양자 샘플링 비용의 스케일링을 비교한다. 고전적 오차 스케일링은 $\epsilon_{TN} \propto t^{-\beta}$ (여기서 $t$는 시뮬레이션 시간)로 피팅된다. 이는 양자 샘플링 오차 스케일링인 $\epsilon_{QC} \propto t^{-1/2}$와 비교된다. 고전적 스케일링 지수 $\beta < 0.5$인 경우 양자 우위가 있다고 주장된다.

주요 결과

• 바렌 플레이토 완화: 본 연구는 PEPS 사전 최적화가 "비옥한 골짜기"를 성공적으로 식별함을 보여준다. Heavyhex(초전도 큐비트 프로토타입에 사용됨)와 2D 정사각형 격자 위상 모두에서, 웜 스타트 주변의 상당한 기울기가 존재하는 영역($r_{max}$)은 시스템 크기나 회로 깊이에 따라 지수적으로 줄어들지 않는다. 대신, $r_{max}$는 시스템 크기에 선형적으로 비례하며 $1/\sqrt{D}$에 비례하여 스케일링된다.
• 다양한 위상에서의 성능:
  • Heavyhex 격자: PEPS 최적화가 매우 효과적이다. 최대 127 큐비트 시스템에 대해, 고전적 TN 시뮬레이션은 스케일링 지수 $\beta \approx 1.24 - 1.56$을 나타낸다. $\beta > 0.5$이므로, 이 특정 위상과 깊이의 경우 고전적 방법이 양자 샘플링보다 더 효율적이며, 이는 즉각적인 양자 우위가 없음을 시사한다.
  • 정사각형 격자: 높은 연결성과 루프 상관관계로 인해 TN 수축(contraction) 비용이 더 높다. MPS 경계 수축 기법을 사용하여, 저자들은 스케일링 지수 $\beta \approx 0.15 - 0.17$을 발견했다. $\beta < 0.5$라는 것은, 이러한 고도로 연결된 위상들에 대해서는 바렌 플레이토를 피하면서도 고전적 TN 시뮬레이션에 대해 다항식 수준의 양자 우위를 가짐을 나타낸다.
• 깊이 및 초기화: 사전 최적화된 깊이($D^*$)를 2층에서 6층으로 증가시키면 고전적 스케일링 효율이 약간 감소($\beta$ 증가)했으나, 학습 가능한 영역을 제거하지는 못했다. 이 전략은 1차원을 넘어선 대규모 시스템에서도 높은 에너지 정확도를 가진 상태를 준비할 수 있게 한다.

의의 및 주장
본 논문은 고전적 텐서 네트워크를 "웜 스타트" 초기화에 활용함으로써 VQA의 바렌 플레이토를 우회하는 실행 가능한 경로를 제공한다고 주장한다. 저자들은 식별된 "비적한 골짜기"가 고전적으로 시뮬레이션 가능하다는 점을 강조한다. 양자 우위는 보장되지 않으며, 고전적 수축 비용이 양자 샘플링에 비해 지나치게 높아지는 특정 위상(예: 정사각형 격자)에서만 관찰된다.

• 우위에 대한 신중한 주장: 저자들은 식별된 "비적한 골짜기"가 고전적으로 시뮬레이션 가능하다고 명시적으로 밝힌다. 양자 우위가 모든 경우에 보장되는 것은 아니며, 고전적 TN 시뮬레이션과 동일한 변분 과업을 수행하는 데 드는 비용 간의 트레이드오프를 기준으로 할 때 특정 위상에서만 관찰된다.
• 범위: 본 연구는 변분 바닥 상태 준비의 맥가락 내에서 프레임화되었다. 저자들은 DMRG와 같은 다른 고전적 알고리즘을 주요 비교 대상으로 삼지 않았으며, 대신 동일한 변분 과업에 대해 TN 시뮬레이션과 양자 하드웨어 사이의 구체적인 트레이드오프를 비교하였다.
• 향aw 전망: 저자들은 더 도전적인 문제들, 예를 들어 더 긴 범위의 상호작용, 더 얽힌 바닥 상태, 더 연결성이 높은 격자로 나아감으로써 현재 연구에서 관찰된 것보다 더 강력한 양자 우위를 얻을 수 있을 것이라고 제안한다. 또한, 파라미터 수에 따라 스케일링하는 양자 하드웨어에서의 기울기 평가 비용을 결국 공정하게 고려해야 함을 강조한다.