Scalable Ground-State Certification of Quantum Spin Systems via Structured Noncommutative Polynomial Optimization

1. 연구 배경 및 문제 제기 (Problem)

양자 다체 시스템의 바닥상태 (Ground State) 특성을 결정하는 것은 응집물질 물리학의 가장 근본적인 과제 중 하나입니다.

• 기존 방법의 한계:
  • 변분법 (Variational Methods): 파동함수 안사츠 (Ansatz) 를 가정하고 에너지를 최소화하는 방식 (DMRG, PEPS, VMC 등) 은 널리 사용되지만, 안사츠의 표현 능력에 제한을 받아 정확도가 보장되지 않으며, 주로 바닥상태 에너지의 상한 (Upper Bound) 만 제공합니다.
  • 정확 대각화 (Exact Diagonalization): 정확한 해를 제공하지만 시스템 크기가 매우 작아야만 적용 가능합니다.
  • 양자 몬테카를로 (QMC): 프러스트레이션 (frustration) 이 있거나 페르미온 시스템의 경우 '부호 문제 (Sign Problem)'로 인해 적용이 어렵습니다.
• 현재의 대안 및 문제: 비가환 다항식 최적화 (Noncommutative Polynomial Optimization) 를 기반으로 한 반정규 프로그래밍 (SDP) 완화 (Relaxation) 방법 (NPA 계층 구조) 은 바닥상태 에너지의 하한 (Lower Bound) 을 제공하여 에너지를 양쪽에서 묶을 수 있다는 장점이 있습니다. 그러나 SDP 의 크기가 시스템 크기에 따라 기하급수적으로 증가하여 확장성 (Scalability) 이 심각한 병목 현상이 되어, 기존 연구에서는 작은 시스템 (예: 2D 격자 10x10) 까지만 적용 가능했습니다.

2. 방법론 (Methodology)

이 논문은 시스템의 고유한 대칭성과 구조를 최대한 활용하여 SDP 의 크기를 획기적으로 줄이고 정확도를 높이는 구조화된 (Structured) 접근법을 제시합니다.

A. 비가환 다항식 최적화 프레임워크

• 해밀토니안 $H$를 비가환 다항식으로 표현하고, 바닥상태 에너지 $E_{GS}$를 $\min \langle \psi | H | \psi \rangle$ 문제로 설정합니다.
• 이를 합 (Sum of Hermitian Squares, SOHS) 분해 조건을 통해 SDP 문제로 변환합니다.
• 모멘트 행렬 (Moment Matrix) $M_d(\ell)$을 구성하여 $d$차 완화 문제를 풉니다.

B. 확장성 향상을 위한 구조 활용 (Key Technical Contributions)

SDP 의 크기를 줄이기 위해 다음과 같은 대칭성과 구조를 체계적으로 활용합니다:

1. 희소성 (Sparsity): 해밀토니안이 인접한 사이트 (contiguous sites) 만 포함하므로, 모든 단항식 (monomial) 대신 희소한 단항식 기저를 사용하여 모멘트 행렬의 크기를 줄입니다.
2. 대칭성 활용 (Symmetry Exploitation):
   • 부호 대칭 (Sign Symmetry): 모델 전체의 부호 반전 ($s_{xy}, s_{yz}, s_{zx}$) 과 해밀토니안의 추가 부호 대칭 ($t_x, t_y, t_z$) 을 활용하여 모멘트 행렬을 블록 대각화 (Block-diagonalization) 합니다.
   • 켤레 대칭 (Conjugate Symmetry): 해밀토니안이 복소수 켤레 변환에 불변하므로, SDP 를 실수 (Real numbers) 영역으로 축소하여 계산 부하를 줄입니다.
   • 이동 대칭 (Translation Symmetry): 주기적 경계 조건 (PBC) 하에서 이동 대칭을 활용하여 모멘트 행렬을 순환 행렬 (Circulant Matrix) 로 변환하고, 이를 이산 푸리에 변환 (DFT) 을 통해 더 작은 블록으로 분해합니다 (2D 의 경우 가로/세로 두 번의 블록 대각화 수행).
   • 치환 대칭 (Permutation Symmetry): $x, y, z$ 축에 대한 치환 대칭을 활용하여 중복된 PSD (Positive Semidefinite) 제약을 제거합니다.
   • 거울/이면체 대칭 (Mirror/Dihedral Symmetry): 1D 사슬과 2D 정사각형 격자의 기하학적 대칭을 활용하여 추가적인 블록 대각화를 수행합니다.

C. 완화 문제 강화 (Strengthening Relaxations)

SDP 의 정확도를 높이기 위해 추가적인 제약을 부과합니다:

• 축소된 밀도 행렬의 양의 정부호성 (Positivity of Reduced Density Matrices): $k$-바디 축소 밀도 행렬이 양의 정부호 (PSD) 여야 한다는 조건을 추가합니다. $U(1)$ 대칭 (총 자화 보존) 을 활용하여 이를 블록 대각화하여 효율적으로 처리합니다.
• 상태 최적성 조건 (State Optimality Conditions): 최적 해에 대한 필요 조건 (해밀토니안과의 교환자 관계 등) 을 선형 제약과 PSD 제약으로 추가하여 해의 정확도를 높입니다.

3. 주요 결과 (Results)

논문은 네 가지 헤이젠베르크 모델 (Heisenberg Models) 에 대해 수치 실험을 수행하여 기존 방법 ([31]) 과 비교했습니다.

• 1D 헤이젠베르크 사슬 (Heisenberg Chain):
  • 스핀 수 $N=100$까지 계산 가능.
  • 기존 SDP 하한보다 수십 배에서 수백 배 더 정밀한 하한을 제공.
  • DMRG 상한과의 상대적 오차 (Gap) 가 $N=100$에서 약 $0.0019\%$ 수준으로 극도로 작아짐.
• 1D $J_1-J_2$ 헤이젠베르크 사슬:
  • 다양한 $J_2$ 값에 대해 에너지 및 상관관계 (Correlation) 를 정밀하게 바운드.
  • 기존 방법 대비 오차가 크게 감소 (예: $J_2=0.4$에서 상관관계 오차 4.15% $\to$ 1.89%).
• 2D 정사각형 격자 헤이젠베르크 모델:
  • 확장성 달성: 기존 연구의 한계였던 $10 \times 10$을 넘어 $16 \times 16$ 격자까지 계산 가능해짐.
  • $16 \times 16$ 크기에서도 QMC (Quantum Monte Carlo) 결과와 매우 근접한 하한을 제공 ($0.69\%$ 오차).
• 2D $J_1-J_2$ 모델:
  • $10 \times 10$ 격자에서 DMRG 및 NNQS (Neural Network Quantum States) 결과와 비교하여 더 긴밀한 에너지 바운드를 제공.

4. 의의 및 결론 (Significance & Conclusion)

• 확장성의 혁신: 비가환 다항식 최적화 기반 SDP 방법이 양자 다체 시스템 연구에 실제로 적용 가능한 규모 (2D $16 \times 16$) 까지 확장됨을 입증했습니다.
• 정확한 검증 도구: 변분법으로 얻은 상한과 본 논문 방법론으로 얻은 하한을 결합하여 바닥상태 에너지를 엄밀하게 인증 (Certify) 할 수 있는 강력한 도구를 제공합니다.
• 대칭성의 중요성: 시스템의 대칭성 (이동, 회전, 부호 등) 을 SDP 구조에 깊이 통합하는 것이 계산 복잡도를 줄이는 핵심임을 보였습니다.
• 미래 전망:
  • DMRG 와의 결합을 통한 더 큰 시스템 연구.
  • SU(2) 대칭을 활용한 추가적인 블록 대각화.
  • 단항식 기저 선택을 위한 강화 학습 (Reinforcement Learning) 도입.
  • 변분법이 실패하는 프러스트레이션 시스템 등에서의 적용 가능성 탐구.

이 논문은 양자 물리 현상 연구에 있어 수치적 정확도와 계산 효율성을 동시에 확보할 수 있는 새로운 패러다임을 제시하며, 많은 물리 시스템의 바닥상태 특성을 엄밀하게 규명하는 데 기여할 것으로 기대됩니다.