Scalable Preparation of Matrix Product States with Sequential and Brick Wall Quantum Circuits

1. 연구 배경 및 문제 정의 (Problem)

• 양자 상태 준비 (QSP) 의 한계: 임의의 양자 상태를 준비하는 데는 양자 비트 (큐비트) 수에 대해 지수적으로 증가하는 자원이 필요합니다. 이는 많은 양자 알고리즘의 실행 비용을 지배할 수 있는 주요 병목 현상입니다.
• 행렬 곱 상태 (MPS) 의 잠재력: 물리적으로 중요한 상태 (예: 1 차원 국소 갭 Hamiltonian 의 바닥 상태) 는 면적 법칙 (area-law) 을 따르는 제한된 얽힘을 가지며, 행렬 곱 상태 (MPS) 로 효율적으로 표현될 수 있습니다. MPS 는 $O(N\chi^2)$의 저장 공간만 필요로 하며, 깊이 $O(4N\chi^2)$의 양자 회로로 정확하게 구현 가능합니다.
• 기존 방법론의 단점:
  • 휴리스틱 방법 (Heuristic): 결정론적이지만 정확도가 빠르게 포화 (saturation) 되어 고충실도 (high-fidelity) 달성이 어렵습니다.
  • 변분 최적화 (Variational Optimization): 높은 충실도를 달성할 수 있으나, 무작위 초기화 시 시스템 크기가 커질수록 계산 복잡도가 급증하고 '빈 사막 (barren plateaus)' 문제가 발생하여 확장성이 떨어집니다.
• 목표: 두 전략의 장점을 결합하여 대규모 시스템에서도 고충실도 MPS 를 준비할 수 있는 확장 가능한 엔드 - 투 - 엔드 (end-to-end) 프레임워크를 개발하는 것입니다.

2. 제안된 방법론 (Methodology)

이 논문은 Fig. 1 에 제시된 4 단계의 QSP 파이프라인을 제안합니다.

1 단계: MPS 압축 (Compression into MPS)

• 목표 확률 진폭을 MPS 로 변환합니다.
• 기법:
  • SVD (Singular Value Decomposition): 모든 진폭을 읽은 후 단계별 SVD 를 수행 ($O(N\chi^3)$ 복잡도).
  • TCI (Tensor Cross Interpolation): 저랭크 구조를 활용하여 필요한 진폭만 적응적으로 선택 ($O(N\chi^2)$ 복잡도). 대용량 데이터셋에 효율적입니다.

2 단계: 큐비트 재배열 (Qubit Reordering)

• MPS 내의 큐비트 순서를 재배열하여 서로 강하게 얽힌 큐비트 쌍을 물리적으로 가깝게 배치합니다.
• 수학적 모델: 양자 상호 정보 (QMI) 를 기반으로 한 이차 할당 문제 (Quadratic Assignment Problem, QAP) 로 공식화합니다.
• 목적: 얽힘이 중간 결합을 통해 전달되는 것을 줄여 MPS 표현의 효율성을 높이고, 필요한 결합 차원 (bond dimension) 을 낮춥니다.

3 단계: 휴리스틱 초기화 (Heuristic Initialization)

• MPS 를 양자 회로로 변환하는 초기 회로를 생성합니다. 두 가지 아키텍처를 사용합니다.
  • SMPD (Sequential Matrix Product Disentangler): 순차적 (staircase-like) 구조. MPS 를 $\chi=2$로 자르며 역방향으로 게이트를 생성합니다.
  • BMPD (Brick Wall Matrix Product Disentangler): 벽돌 벽 (brick wall) 구조. Vidal 의 $\Gamma-\Lambda$ 게이지를 사용하여 레이어별로 얽힘 엔트로피를 최소화하는 게이트를 생성합니다.
• 최적화 (Enhancements):
  • 1-2 큐비트 등거리 (isometry) 게이트를 3 개의 CNOT 대신 2 개의 CNOT으로 분해.
  • 이미 얽힘이 해소된 결합 (rank-1) 에서는 2-큐비트 게이트를 제거하고 단일 큐비트 회전만 적용.
  • Mixed-canonical 게이지 사용으로 회로 깊이 최대 50% 감소.

4 단계: 변분 최적화 (Variational Optimization)

• 휴리스틱 회로를 '웜 스타트 (warm-start)'로 사용하여 변분 최적화를 수행합니다.
• 알고리즘:
  • Evenbly-Vidal (EV) Sweeping: 게이트를 하나씩 최적화하며 MPS 형태를 유지.
  • Riemannian Optimization: 리만 기하학을 기반으로 한 전역 최적화 (Adam 최적화기 사용).
• 전략: 단일 레이어 생성 후 최적화, 다시 레이어 추가 후 최적화를 반복하거나, 전체 회로를 한 번에 최적화하는 방식을 비교합니다.

3. 주요 기여 (Key Contributions)

1. 통합 파이프라인 개발: 휴리스틱 초기화 (SMPD/BMPD) 와 변분 최적화 (EV/Riemannian) 를 결합하여 고충실도 MPS 준비를 가능하게 하는 최초의 포괄적인 프레임워크 제시.
2. SMPD 의 확장성 재검증: 기존 연구 [29] 는 $L$층의 SMPD 를 위해 지수적으로 큰 결합 차원 ($\tilde{\chi} \sim O(2^L)$) 이 필요하다고 주장했으나, 본 논문은 $\tilde{\chi} \sim O(\chi)$ (목표 MPS 의 결합 차원) 만으로도 깊은 회로가 시뮬레이션 가능함을 수치적으로 증명했습니다.
3. QAP 기반 큐비트 재배열: MPS 내 큐비트 재배열 문제를 QAP 로 매핑하여 기존 최적화 라이브러리 (scipy 등) 를 활용하는 효율적인 방법을 제시했습니다.
4. 최적화 기술의 통합: 게이트 분해 (isometry decomposition) 및 게이지 선택 (left/right/mixed) 이 회로 깊이와 게이트 수에 미치는 영향을 체계적으로 분석했습니다.

4. 실험 결과 (Results)

연구진은 19~50 큐비트 규모의 다양한 데이터셋 (가우시안/레비 분포, 로렌츠 어트랙터, S&P 500 주가) 에 대해 파이프라인을 평가했습니다.

• SMPD vs BMPD 성능:
  • 단순한 상태 (가우시안, 레비): SMPD 가 BMPD 보다 더 낮은 게이트 수 (CNOT count) 로 높은 충실도를 달성했습니다.
  • 복잡한 상태 (로렌츠 어트랙터, S&P 500): 높은 얽힘 구조로 인해 300 층 이상의 깊은 회로가 필요했습니다. 이 경우 **BMPD 가 더 낮은 회로 깊이 (depth)**를 보여주었습니다.
• 최적화 알고리즘 비교:
  • EV (Evenbly-Vidal): MPS 형태를 유지하며 깊은 회로 (예: 200 층) 까지 최적화가 가능하여 확장성이 뛰어났습니다.
  • Riemannian: 전역 최적화 성능은 좋으나, 중간 텐서의 크기가 지수적으로 커져 메모리 제한으로 인해 얕은 회로 (약 10~15 층) 까지만 적용 가능했습니다.
  • 결론: EV 기반 최적화가 일반적으로 더 높은 충실도와 확장성을 보였습니다.
• 게이트 수 및 깊이 절감:
  • Isometry 분해 기법을 적용하면 CNOT 수와 깊이를 약 33% 감소시켰으며, 이는 얕은 회로에서 특히 유리했습니다.
  • Mixed-canonical 게이지를 사용하면 회로 깊이를 최대 50% 줄일 수 있었습니다.
• 큐비트 재배열 효과:
  • 가우시안/레비 분포는 이미 최적화된 순서를 가져 재배열 효과가 미미했습니다.
  • S&P 500 데이터 (회사별 상관관계) 의 경우 재배열로 최대 20% 까지 결합 얽힘 엔트로피를 감소시켰으나, 최종 상태 준비 충실도 향상은 미미했습니다.

5. 의의 및 결론 (Significance)

• 실용적 확장성: 이 연구는 NISQ (Noisy Intermediate-Scale Quantum) 장치에서 유용한 규모의 양자 상태 준비를 위한 원칙적이고 확장 가능한 프로토콜을 제공합니다.
• 트레이드오프 명확화:
  • 최소 게이트 수 (Gate Count) 가 중요할 때: SMPD + EV 최적화 (및 Isometry 분해) 를 권장.
  • 최소 회로 깊이 (Circuit Depth) 가 중요할 때: BMPD + EV 최적화를 권장.
• 향후 연구 방향:
  • 리만 최적화에 2 차 최적화 알고리즘 (L-BFGS-B 등) 적용.
  • 실제 하드웨어의 노이즈를 고려한 최적화 파이프라인 개발.
  • 분자 바닥 상태 등 더 복잡한 양자 화학 시스템에 대한 적용 확대.

이 논문은 휴리스틱 방법의 결정론적 안정성과 변분 최적화의 높은 정확도를 결합함으로써, 기존 방법론의 한계를 극복하고 대규모 양자 시스템에서의 효율적인 상태 준비를 가능하게 하는 중요한 이정표가 됩니다.