⚛️ quantum physics

Active Sampling Sample-based Quantum Diagonalization from Finite-Shot Measurements

이 논문은 유한한 측정 횟수와 상태 준비 오류가 있는 근사 양자 장치 환경에서, 에피슈타인-네스벳 섭동 이론에 기반한 능동 학습 전략을 통해 기저 상태를 효율적으로 확장하고 정확한 바닥 상태 에너지를 추정하는 '능동 샘플링 샘플 기반 양자 대각화 (AS-SQD)' 알고리즘을 제안하고 이를 시뮬레이션 및 실제 양자 하드웨어를 통해 검증했습니다.

원저자: Rinka Miura

게시일 2026-03-17

📖 3 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Rinka Miura

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

🎬 비유: 어두운 방에서 보물찾기 (AS-SQD)

상상해 보세요. 거대한 보물창고 (양자 시스템) 가 있고, 그 안에 진짜 보물 (가장 낮은 에너지 상태) 이 숨겨져 있습니다. 하지만 우리는 두 가지 큰 제약이 있습니다.

불완전한 지도: 우리는 보물창고의 전체 지도를 볼 수 없습니다. 대신, 어두운 방에 들어갔다가 **일부만 본 뒤 나온 몇 장의 사진 (샘플)**만 가지고 있습니다.
혼란스러운 눈: 우리가 본 사진에는 진짜 보물뿐만 아니라, 보물과 비슷해 보이는 가짜 보물 (들뜬 상태) 이 섞여 있거나, 사진이 흐릿하게 찍힌 경우 (오류) 가 많습니다.

기존의 방법들은 이 몇 장의 사진만 믿고 "아, 여기가 보물인 것 같아!"라고 추측하거나, 무작위로 주변을 뒤져보는 방식이었습니다. 하지만 보물창고가 너무 크면 (양자 비트가 많아지면), 무작위로 뒤지는 것은 시간이 너무 오래 걸리고, 중요한 보물을 놓치기 쉽습니다.

이 논문이 제안한 AS-SQD는 바로 이 문제를 해결하는 "똑똑한 탐정" 같은 방법입니다.

🔍 AS-SQD 의 핵심 원리: "어디를 더 살펴봐야 할까?"

AS-SQD 는 단순히 무작위로 뒤지는 대신, **물리 법칙 (Perturbation Theory)**을 이용해 "지금 내가 보고 있는 사진에서, 어떤 새로운 장소를 더 살펴보면 보물을 찾을 확률이 가장 높을까?"를 계산합니다.

이를 세 단계로 나누어 설명해 볼게요:

1. 초기 조사 (샘플링)

먼저 양자 컴퓨터에서 찍은 흐릿한 사진들 (비트열) 을 모아서, 가장 자주 나오는 장소들만 골라 '초기 지도'를 만듭니다. 이때 사진이 흐릿하거나 가짜 보물이 섞여 있어도 괜찮습니다.

2. 똑똑한 선택 (적극적 샘플링)

이제 중요한 질문입니다. "지도에 없는 다른 곳 중 어디를 더 조사해야 할까?"

무작위 탐험 (기존 방법): 주변을 막 돌아다니다가 쓸데없는 구석까지 가는 비효율적인 방법입니다.
AS-SQD 의 방법: "지금 내가 가진 정보 (초기 지도) 와 가장 강하게 연결되어 있고, 그곳에 가면 에너지가 더 낮아질 가능성이 높은 곳"을 수학적으로 계산해서 골라냅니다.
- 비유: 마치 등산할 때, 현재 위치에서 가장 가파르고 멋진 경치가 보이는 길 (에너지가 급격히 낮아지는 길) 을 미리 계산해서 그 길로만 올라가는 것과 같습니다.

3. 반복과 정제

계산된 '가장 유망한 곳'을 지도에 추가하고, 다시 계산을 반복합니다. 이 과정을 통해 보물 (정확한 바닥 상태 에너지) 에 점점 더 가까워집니다.

🛡️ 왜 이 방법이 특별한가요?

이 방법의 가장 큰 장점은 오류에 강하다는 것입니다.

잡음 제거 능력: 실제 양자 컴퓨터는 잡음 (Noise) 이 많습니다. 마치 사진에 노이즈가 섞여 있거나, 엉뚱한 사람이 찍힌 것처럼요. 하지만 AS-SQD 는 "이곳은 보물과 연결이 약하고, 에너지도 높으니 무시하자"라고 판단합니다. 즉, 잡음으로 인한 엉뚱한 데이터는 자연스럽게 필터링되어 버립니다.
효율성: 보물창고가 아무리 커도 (양자 비트가 16 개 이상이어도), 중요한 곳만 골라서 보기 때문에 계산 시간이 폭발적으로 늘어나는 것을 막아줍니다.

📊 실제 실험 결과

저자는 이 방법을 IBM 의 실제 양자 컴퓨터와 시뮬레이션으로 테스트했습니다.

결과: 기존의 무작위 방법이나 단순한 방법들보다 훨씬 더 정확하게 보물 (바닥 상태 에너지) 을 찾아냈습니다.
특이점: 실제 양자 컴퓨터에서 찍은 매우 흐릿하고 잡음이 많은 데이터에서도, AS-SQD 는 마치 마법처럼 정확한 답을 찾아냈습니다.

💡 요약

이 논문은 **"양자 컴퓨터가 완벽하지 않아도 괜찮다"**는 메시지를 줍니다.

"완벽한 지도가 없더라도, 물리 법칙이라는 나침반을 들고 가장 유망한 길만 골라 간다면, 불완전한 데이터로도 정답에 가장 빠르게 도달할 수 있다."

이것은 앞으로 우리가 가진 제한적인 양자 컴퓨터 자원을 가장 효율적으로 활용하여, 신약 개발이나 신소재 연구 같은 복잡한 문제를 풀어나가는 데 큰 도움이 될 것입니다.

논문 개요

이 논문은 NISQ (Noisy Intermediate-Scale Quantum) 시대의 제약 조건 하에서, 유한한 수의 측정 샷 (finite-shot measurements) 과 불완전한 상태 준비 (excited-state contamination) 로부터 정확한 기저 상태 에너지를 추정하기 위한 새로운 알고리즘인 **AS-SQD (Active Sampling Sample-based Quantum Diagonalization)**를 제안합니다. 이 방법은 샘플 기반 양자 대각화 (SQD) 를 능동 학습 (Active Learning) 문제로 재해석하여, 물리 법칙 (섭동 이론) 에 기반한 획득 함수 (acquisition function) 를 통해 가장 중요한 계산 기저 상태 (computational basis states) 를 선택적으로 추가하는 전략을 사용합니다.

1. 문제 정의 (Problem Statement)

NISQ 의 제약: 현재의 양자 장치는 완전한 상태 토모그래피 (state tomography) 나 해밀토니안의 전체 행렬 접근이 불가능하며, 유한한 수의 측정 샷만 제공합니다. 또한, 준비된 상태는 이상적인 기저 상태가 아니라 들뜬 상태가 섞인 (contaminated) 불완전한 상태일 수 있습니다.
기존 방법의 한계:
- SQD (Sample-based Quantum Diagonalization): 측정된 비트문자열 (bitstrings) 로 구성된 부분 공간 (subspace) 에 해밀토니안을 제한하여 대각화하는 방법입니다. 하지만 유한 샷과 상태 오염으로 인해 중요한 기저 상태가 누락되면 큰 편향 (bias) 이 발생합니다.
- 무작위 확장 (Random Expansion): 현재 부분 공간과 연결된 기저 상태를 무작위로 추가하는 방식은 시스템 크기가 커질수록 비효율적이며, 에너지에 기여도가 낮은 방향에 계산 자원을 낭비합니다.
핵심 질문: 제한된 측정 데이터와 불완전한 상태에서, 기저 상태 에너지 추정을 가장 효율적으로 개선하기 위해 어떤 추가적인 기저 상태를 부분 공간에 포함시켜야 하는가?

2. 방법론 (Methodology)

저자는 AS-SQD를 제안하며, 이는 다음과 같은 순차적 의사결정 과정을 따릅니다.

A. 핵심 아이디어: Epstein–Nesbet 섭동 이론 기반 획득 함수

AS-SQD 는 현재 부분 공간 $S$ 에 속한 근사 기저 상태 $|\psi_S\rangle$ 를 기반으로, 외부의 후보 기저 상태 $|k\rangle$ 가 에너지에 얼마나 기여할지 예측합니다. 이를 위해 Epstein–Nesbet (EN) 2 차 섭동 이론을 활용합니다.

획득 함수 (Acquisition Function):
후보 상태 $k$ $k$ 의 점수 $a(k)$ $a (k)$ 는 다음과 같이 정의됩니다.
$a(k) = \frac{|\langle k|H|\psi_S\rangle|^2}{|E_S - H_{kk}|}$
- 분자 (Coupling Strength): 현재 상태와 후보 상태 간의 해밀토니안 결합 세기 $|\langle k|H|\psi_S\rangle|^2$ . 이 값이 클수록 상태 간의 전이 확률이 높습니다.
- 분모 (Energetic Proximity): 현재 에너지 $E_S$ 와 후보 상태의 대각 에너지 $H_{kk}$ 의 차이. 에너지 준위가 가까울수록 섭동 효과가 큽니다.
- 이 점수는 상태가 에너지 하강에 기여할 것으로 기대되는 정도를 나타내며, 점수가 높은 상태부터 부분 공간에 추가합니다.

B. 알고리즘 절차

초기화: 측정된 비트문자열 중 빈도가 높은 상위 $K$ 개를 선택하여 초기 부분 공간 $S$ 를 구성합니다.
제한된 대각화: $S$ 에 제한된 해밀토니안 행렬 $H_S$ 를 구성하고 대각화하여 근사 기저 상태 $|\psi_S\rangle$ 와 에너지 $E_S$ 를 얻습니다.
후보 생성: $H_S$ 의 지배적인 성분 (dominant support) 과 연결된 기저 상태들을 후보 집합 $C(S)$ 로 생성합니다.
점수 계산 및 선택: 위 획득 함수를 사용하여 후보들의 점수를 계산하고, 점수가 높은 상위 $B$ 개의 상태를 $S$ 에 추가합니다.
반복: 최대 반복 횟수 $T$ 까지 2~4 단계를 반복합니다.

C. 계산 효율성

풀 힐베르트 공간 ( $2^n$ ) 을 다루지 않고, 부분 공간 크기 $m$ 에 대해 $O(m^3)$ 의 복잡도로 대각화를 수행하므로 확장성이 뛰어납니다.
파울리 문자열 (Pauli string) 해밀토니안의 희소성 (sparsity) 을 이용하여 행렬 요소 계산 비용을 최소화합니다.

3. 주요 기여 (Key Contributions)

능동 샘플링 프레임워크: SQD 를 능동 학습 문제로 공식화하여, 무작위 탐색이 아닌 물리 기반의 지능적 상태 선택을 가능하게 했습니다.
섭동 이론 기반 획득 함수: Epstein–Nesbet 2 차 보정을 기반으로 한 점수 함수를 도입하여, 에너지 개선에 가장 효과적인 기저 상태를 선별하는 메커니즘을 제시했습니다.
실제 하드웨어 검증: IBM Quantum 프로세서 (ibmq_pittsburgh) 에서 실제 물리적 노이즈 (SPAM 오류, 게이트 불완전성 등) 가 포함된 데이터를 사용하여 알고리즘의 견고성을 입증했습니다.
노이즈 필터링 메커니즘: 물리적 노이즈로 인해 생성된 비트문자열은 에너지 점수가 낮게 산출되도록 설계되어, 별도의 오류 완화 기법 없이도 노이즈가 포함된 상태를 자연스럽게 필터링하는 효과가 있음을 보였습니다.

4. 실험 결과 (Results)

실험은 무질서한 하이젠베르크 (Heisenberg) 모델과 횡방향 자기장 이징 (TFIM) 모델 (최대 16 큐비트) 에 대해 수행되었으며, 실제 IBM 양자 컴퓨터에서도 검증되었습니다.

오염된 샘플링 환경에서의 성능:
- 비교 대상: 표준 SQD (확장 없음), 무작위 확장 SQD, 제안된 AS-SQD.
- 결과: 시스템 크기가 커질수록 (10~16 큐비트) 표준 SQD 와 무작위 확장은 큰 오차를 보인 반면, AS-SQD 는 모든 시스템 크기에서 가장 낮은 절대 에너지 오차를 기록했습니다. 특히 16 큐비트 (차원 65,536) 에서도 높은 정확도를 유지했습니다.
실제 하드웨어 검증:
- IBM Quantum 장치에서 얻은 실제 비트문자열을 사용했을 때, AS-SQD 는 하드웨어 노이즈를 효과적으로 필터링하여 8 큐비트 시스템에서 **기저 상태를 정확히 식별 (오차 $\sim 10^{-14}$ )**하는 데 성공했습니다.
Ablation Study (성분 분석):
- 획득 함수의 분자 (결합 세기) 만을 사용하는 'Coupling-only' 전략이 전체 EN 점수와 유사한 성능을 보였으며, 분모 (에너지 근접성) 만을 사용하는 전략은 성능이 떨어졌습니다. 이는 **결합 세기 (coupling strength)**가 기저 공간 탐색의 주된 동력임을 시사합니다.
- 후보 탐색 범위: 1-hop(직접 연결) 제한이 2-hop 보다 수렴 속도가 빠르다는 것이 확인되었습니다. 이는 1-hop 제한이 강력한 인덕티브 바이어스 (inductive bias) 로 작용하여 불필요한 후보 집합의 팽창을 막고 효율성을 높인다는 것을 의미합니다.

5. 의의 및 결론 (Significance & Conclusion)

NISQ 시대의 효율적 알고리즘: AS-SQD 는 제한된 측정 데이터와 노이즈가 있는 환경에서도 물리 법칙을 활용하여 계산 자원을 에너지적으로 중요한 방향으로 집중시킴으로써, 지수적인 조합적 병목 현상을 우회합니다.
실용성: 상태 토모그래피나 추가적인 양자 측정 없이 기존 샘플만으로 기저 상태 에너지를 정밀하게 추정할 수 있어, 현재의 NISQ 하드웨어에 매우 적합합니다.
미래 전망: 이 연구는 양자 AI 분야에서 "물리 기반 획득 함수 (physics-derived acquisition function)"를 사용하여 어떤 정보를 다음에 수집할지 결정하는 일반적인 원리를 제시합니다. 향후 적응형 측정 할당 (adaptive measurement allocation) 및 분자 전자 구조 계산 등으로 확장될 수 있습니다.

요약하자면, 이 논문은 AS-SQD를 통해 유한 샷과 노이즈가 있는 양자 측정 데이터로부터 고품질의 물리 예측을 가능하게 하는 강력한 프레임워크를 제시하며, NISQ 장치의 한계를 극복하는 실용적인 솔루션을 제공합니다.