Noise mitigation of quantum observables via learning from Hamiltonian symmetry decays

논문 요약: 해밀토니안 대칭성 붕괴 학습을 통한 양자 관측량 노이즈 완화 (GUESS)

1. 연구 배경 및 문제 제기 (Problem)

• 양자 노이즈의 한계: 현재의 양자 컴퓨터 (NISQ 및 초기 오류 정정 단계) 는 하드웨어 노이즈로 인해 계산 결과에 심각한 편향 (bias) 이 발생합니다. 이는 양자 알고리즘의 깊이와 큐비트 수를 제한하여 유용한 규모의 계산을 어렵게 만듭니다.
• 기존 QEM 기술의 한계: 제로 노이즈 외삽법 (ZNE) 과 같은 기존 양자 오류 완화 (QEM) 기술은 노이즈를 증폭시킨 후 0 노이즈 극한으로 외삽하는 방식을 사용합니다. 그러나 다음과 같은 문제점이 존재합니다.
  • 외삽 곡선의 불확실성: 복잡한 비-클리포드 (non-Clifford) 회로에서는 다중 지수적 붕괴가 발생하여 정확한 외삽 곡선을 결정하기 어렵습니다.
  • 샘플링 오버헤드: 외삽 과정에서 분산 (variance) 이 급격히 증가하여 동일한 정확도를 얻기 위해 더 많은 샷 (shots) 이 필요합니다.
  • 노이즈 증폭의 부정확성: 실제 하드웨어에서 노이즈 증폭 기술 (예: 게이트 폴딩) 이 이상적인 선형 스케일링을 따르지 않아 외삽 오차가 발생합니다.

2. 제안된 방법론: GUESS (Methodology)

저자들은 GUESS (GUiding Extrapolations from Symmetry decayS) 라는 새로운 QEM 기술을 제안합니다. 이 방법은 시스템의 해밀토니안 대칭성 (Hamiltonian symmetries) 을 이용하여 노이즈 특성을 학습하고 이를 목표 관측량에 적용합니다.

• 핵심 원리:

  • 해밀토니안 $H$와 교환하는 대칭 연산자 $S$ ($[H, S]=0$) 는 이상적인 단위 진화에서 보존됩니다.
  • 그러나 실제 노이즈가 존재할 때, 대칭 연산자의 기대값은 시간에 따라 붕괴 (decay) 합니다. 이 붕괴 패턴은 시스템의 노이즈 프로파일을 직접적으로 반영합니다.
  • GUESS 는 이 대칭 연산자의 붕괴 데이터를 학습하여 최적의 외삽 계수 (extrapolation coefficients) 를 도출하고, 이를 목표 관측량에 적용하여 노이즈 없는 값을 추정합니다.

• 해밀토니안 불순물 (Hamiltonian Impurity) 기법:

  • 문제: 많은 물리 모델에서 목표 관측량 (로컬 관측량) 과 동일한 '가중치 (weight)'를 가진 대칭 연산자가 존재하지 않거나, 전역 대칭성만 존재하여 붕괴 속도가 너무 빨라 학습이 어렵습니다. 또한 관측량의 가중치에 따라 노이즈 붕괴 특성이 다릅니다.
  • 해결: 목표 해밀토니안에 국소적인 불순물 (perturbation) 을 추가하여, 목표 관측량과 동일한 가중치를 가지며 보존되는 새로운 대칭 연산자를 인위적으로 생성합니다.
  • 신뢰성: 이 불순물 추가는 회로의 2-큐비트 게이트 수와 구조를 최소한으로 변경하여 노이즈 전파 (noise propagation) 특성을 유지합니다. 이를 통해 학습된 노이즈 모델이 목표 회로의 실제 노이즈를 정확히 반영하도록 합니다.

• 프로세스:

  1. 학습 단계 (Step 1): 불순물이 추가된 회로 (대칭성 측정용) 를 다양한 노이즈 증폭 인자 ($G_k$) 로 실행하여 대칭 연산자의 기대값을 측정합니다. 알려진 이상적 값 (보통 1) 을 기준으로 최소제곱법 (Least Squares) 을 풀어 최적의 외삽 계수를 학습합니다.
  2. 적용 단계 (Step 2): 학습된 계수를 목표 회로 (원래 해밀토니안) 의 노이즈 있는 측정값에 적용하여 노이즈가 제거된 값을 추정합니다.
  3. 통계적 사후 선택 (Post-selection): 대칭 연산자의 측정 결과 (평균 및 분산) 를 분석하여 노이즈가 심하거나 비물리적인 결과를 보이는 큐비트/관측량을 선별적으로 제거합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 QEM 프레임워크: 기존 ZNE 의 한계를 극복하기 위해 해밀토니안 대칭성의 붕괴를 '지도 신호 (guide)'로 활용하는 GUESS 알고리즘을 제안했습니다.
2. 불순물 기법 (Impurity Technique): 로컬 관측량에 적합한 대칭성을 인위적으로 생성하여, 관측량 가중치와 노이즈 특성을 정확히 매칭시키는 방법을 고안했습니다.
3. 통계적 검증 및 사후 선택: 대칭성 측정을 통해 개별 큐비트의 품질을 평가하고, 신뢰도가 낮은 데이터를 제거하는 통계적 프로세스를 통합했습니다.
4. 실제 하드웨어 검증: IBM Heron r2 프로세서 ('ibm basquecountry') 를 사용하여 100 큐비트 규모의 시스템을 시뮬레이션하고, 기존 ZNE 및 텐서 네트워크 (Tensor Network) 시뮬레이션과 비교 검증했습니다.

4. 실험 결과 (Results)

• 실험 설정:
  • 모델: 1 차원 횡장 Ising 모델 (TFIM) 및 $XZ$ 하이젠베르크 모델.
  • 규모: 100 큐비트, 최대 8,000 개의 CZ 게이트 (회로 깊이 약 160~192).
  • 비교 대상: 기존 ZNE (선형/지수), 텐서 네트워크 (MPS) 시뮬레이션 (정답).
• 성능:
  • 정확도: GUESS 는 최대 8,000 게이트 회로에서 약 10% 의 상대 오차를 달성했습니다. 이는 Ising 모델에서 40 스텝, 하이젠베르크 모델에서 20 스텝까지 MPS 시뮬레이션 결과와 잘 일치함을 의미합니다.
  • ZNE 대비 우위: 기존 ZNE 는 초기 시간 역학에서 20% 이상의 오차를 보였으며, GUESS 는 ZNE 보다 낮은 분산 (variance) 을 보여주어 샘플링 오버헤드가 적습니다.
  • 샷 효율성: 목표 관측량당 ZNE 대비 약 2 배의 샷만 추가하여 (대칭성 측정용) 높은 정확도를 달성했습니다.
  • 비물리적 결과 감소: GUESS 는 기대값이 1 을 초과하거나 -1 미만인 비물리적 결과 (overshoot) 발생 비율이 ZNE (특히 지수 모델) 에 비해 현저히 낮았습니다 (예: Ising 모델 가중치 1 에서 ZNE 81% vs GUESS 2%).

5. 의의 및 결론 (Significance)

• 실용적 QEM: GUESS 는 오류 정정 (QEC) 이 완전히 구현되기 전의 '초기 오류 정정 (early fault-tolerance)' 시대나 NISQ 장치에서 고품질의 계산을 가능하게 하는 강력한 도구입니다.
• 낮은 오버헤드: 복잡한 노이즈 학습 (PEA 등) 이나 대규모 클리포드 데이터셋 (CDR 등) 이 필요하지 않으며, 기존 ZNE 와 유사한 수준의 양자 오버헤드 (회로 2 배 실행) 만으로 높은 정확도를 제공합니다.
• 확장성: 이 방법은 논리 큐비트 (logical qubits) 환경에서도 오류 증폭 없이 노이즈 특성을 학습하고 완화하는 데 적용 가능할 것으로 기대됩니다.
• 결론: GUESS 는 해밀토니안의 물리적 성질 (대칭성) 을 효과적으로 활용하여 노이즈의 영향을 정량화하고 보정함으로써, 대규모 양자 회로의 신뢰성을 획기적으로 향상시키는 혁신적인 기술입니다.