Non-Abelian Mixer for QAOA on Hybrid Oscillator-Qubit Quantum Processors

본 논문은 하이브리드 오실레이터-큐비트 프로세서에서 양자 근사 최적화 알고리즘 (QAOA) 을 위한 하드웨어 네이티브 비아벨리안 믹서를 제안하며, Max-Cut 문제에 대한 시뮬레이션을 통해 이 믹서가 표준 횡장 믹서보다 해의 품질과 최적해 확률 측면에서 일관되게 우월함을 입증합니다.

핵심

거대한 복잡한 퍼즐을 풀려고 한다고 상상해 보세요. 양자 컴퓨팅 세계에서는 이 퍼즐이 종종 Max-Cut이라는 문제로 나타납니다. 이를 파티 계획 시나리오로 비유해 보겠습니다: 여러분은 사람들 (노드) 그룹과 누가 누구를 싫어하는지에 대한 목록 (간선) 을 가지고 있습니다. 목표는 그룹을 두 팀으로 나누어, 팀 내부가 아니라 팀 간에 최대한 많은 "싫어함"이 발생하도록 하는 것입니다. 분리된 싫어함이 많을수록 해결책이 더 좋아집니다.

오랫동안 과학자들은 이 문제를 해결하기 위해 두 가지 유형의 "컴퓨터"를 사용해 왔습니다:

1. 디지털 (이산) 컴퓨터: 켜짐 (ON) 이나 꺼짐 (OFF), 즉 0 또는 1 상태만 가지는 스위치를 사용하는 일반 컴퓨터와 같습니다.
2. 아날로그 (연속) 컴퓨터: 켜짐이나 꺼짐뿐만 아니라 어떤 밝기 수준으로도 설정할 수 있는 디머 스위치와 같습니다.

새로운 하이브리드 머신

이 논문의 저자들은 디지털 (스위치) 과 아날로그 (디머 스위치) 를 모두 결합한 새로운 종류의 양자 컴퓨터를 개발하고 있습니다. 이는 큐비트(디지털 스위치) 와 오실레이터(아날로그 디머 스위치) 가 함께 작동하는 방식입니다.

오실레이터를 원의 어느 지점에서나 멈출 수 있는 거대한 회전하는 바퀴로 생각하세요. 큐비트는 위쪽이나 아래쪽을 가리킬 수 있는 작은 자석입니다. 이 하이브리드 머신에서 자석이 바퀴를 제어하고, 바퀴는 자석이 제 역할을 하도록 돕습니다. 이 설정이 강력한 이유는 바퀴가 탐색할 수 있는 거대하고 거의 무한한 공간을 제공하기 때문이며, 자석은 정밀한 제어를 제공하기 때문입니다.

문제: 해결책을 "혼합"하는 방법

Max-Cut 퍼즐을 해결하기 위해 컴퓨터는 QAOA라는 알고리즘을 사용합니다. QAOA 는 최상의 배치를 찾기 위해 시스템을 "흔드는" 과정으로 생각할 수 있습니다.

• 먼저, 나쁜 배치를 처벌하는 "비용" 규칙을 적용합니다.
• 그런 다음, 새로운 배치를 시도하기 위해 무언가를 흔드는 **"믹서"**를 적용합니다.

기존의 디지털 컴퓨터에서 "믹서"는 단순한 토글 스위치와 같습니다: 0 을 1 로, 1 을 0 으로 단순히 뒤집을 뿐입니다. 저자들은 질문했습니다: 회전하는 바퀴를 가진 이 화려한 하이브리드 머신이 있다면, 바퀴가 어떤 방향으로도 회전할 수 있는 능력을 활용하는 더 나은 믹서를 사용할 수 있을까요?

해결책: "비아벨리안 믹서"

저자들은 **비아벨리안 믹서 (Non-Abelian Mixer)**라고 불리는 새로운 믹서를 발명했습니다.

간단한 비유를 들어보겠습니다:

• 옛 믹서 (횡방향 필드): 국그릇을 앞뒤로 직선으로만 저어 섞으려 한다고 상상해 보세요. 작동은 하지만 제한적입니다.
• 새 믹서 (비아벨리안): 이제 국을 원형으로, 8 자 모양으로 저을 뿐만 아니라 저으면서 그릇을 기울일 수도 있다고 상상해 보세요. "바퀴"(오실레이터) 와 "자석"(큐비트) 은 직선으로 잘 어울리지 않기 때문에 (그들은 "비교환적"입니다), 이 새로운 믹서는 그 기이함을 장점으로 활용합니다. 이를 통해 컴퓨터는 해결책 공간을 훨씬 더 창의적이고 효율적으로 탐색할 수 있습니다.

그들은 이 믹서를 해당 하이브리드 하드웨어가 본래 알고 있는 특정 도구 (명령 세트) 를 사용하여 구축했습니다. 하드웨어가 설계되지 않은 일을 하도록 억지로 강요하는 대신 말입니다.

결과: 더 나은 퍼즐 해결사

팀은 다양한 크기의 무작위 "파티 계획" 퍼즐 (그래프) 에서 새로운 믹서를 테스트했습니다. 그들은 새로운 "바퀴와 자석" 믹서를 기존의 "토글 스위치" 믹서와 비교했습니다.

결과는 명확했습니다:

1. 더 높은 품질: 새로운 믹서는 일관되게 완벽한 답변에 더 가까운 해결책을 찾았습니다.
2. 더 높은 성공률: 단순히 "충분히 좋은" 것이 아니라 완벽한 해결책을 실제로 찾을 가능성이 훨씬 더 높았습니다.

또한 믹서의 "깊이"(저을 때 걸린 단계 수) 를 테스트했습니다. 그들은 이 새로운 혼합 기법을 단 한 층만 추가해도 기존 방법과 비교해 엄청난 차이가 있음을 발견했습니다.

결론

이 논문은 이러한 새로운 하이브리드 양자 컴퓨터를 위한 알고리즘을 구축할 때, 기존의 디지털 레시피를 단순히 복사 - 붙여넣기해서는 안 된다고 결론 내립니다. 대신 하드웨어의 고유한 형태에 맞는 새로운 도구를 설계해야 합니다. 회전하는 바퀴와 자석의 자연스러운 물리 법칙을 존중하는 믹서를 사용하면, 이전보다 훨씬 더 복잡한 최적화 문제를 해결할 수 있습니다.

간단히 말해: 그들은 하이브리드 양자 컴퓨터를 "저을" 더 창의적인 새로운 방식을 구축했으며, 이는 기존의 단순한 방식보다 퍼즐을 훨씬 더 잘 해결했습니다.

기술 요약

기술 요약: 하이브리드 진동자-큐비트 양자 프로세서용 QAOA 를 위한 비아벨 믹서

문제 제기
초전도 큐비트와 마이크로파 공진기를 결합한 하이브리드 연속 변수 (CV) 및 이산 변수 (DV) 양자 프로세서에 대한 범용 제어는 확립되었으나, 이러한 플랫폼에 맞춘 양자 알고리즘 개발은 초기 단계에 머물러 있습니다. 양자 근사 최적화 알고리즘 (QAOA) 은 순수 이산 변수 (DV) 및 순수 연속 변수 (CV) 환경에서 잘 연구되었지만, 하이브리드 CV-DV 시스템을 위한 공식화는 부재합니다. 하이브리드 프로세서에서 QAOA 를 위한 적절한 '믹서' 해밀토니안을 규명하는 데에는 중요한 격차가 존재합니다. 표준 QAOA 는 DV 시스템에 고유한 파울리-X 연산자의 합인 횡장 (transverse-field) 믹서에 의존하지만, 이는 하이브리드 진동자 - 큐비트 아키텍처에서 제공되는 무한 차원 상태 공간과 비가환적 제어 원시 연산들을 완전히 활용하지 못할 수 있습니다.

방법론
저자들은 위상 공간 명령어 세트 아키텍처 (ISA) 를 활용하여 하이브리드 CV-DV 프로세서에 특화된 하드웨어 네이티브 QAOA 프레임워크를 제안합니다. 그들의 방법론의 핵심은 다음 세 가지 주요 구성 요소로 이루어집니다:

1. 인코딩 및 판독: 알고리즘은 진동자 모드 내에서 유한 에너지 Gottesman-Kitaev-Preskill (GKP) 상태로 논리 큐비트를 인코딩합니다. 보조 (ancilla) 큐비트는 제어 및 판독을 중재하는 데 사용됩니다. 논리 정보는 유한 에너지 GKP 상태에 내재된 위치 불확실성을 보정하는 특정 비아벨 양자 신호 처리 (NA-QSP) 시퀀스인 $E_x(\sqrt{\pi}/2, \Delta)$를 사용하여 진동자 위상 공간과 큐비트 레지스터 간에 매핑됩니다.
2. 비용 유니타리: 무가중 Erdős–Rényi 그래프에 대한 Max-Cut 문제의 경우, 비용 해밀토니안은 보조 큐비트 레지스터에서의 논리 ZZ 회전 ($R_{ZZ}$) 시리즈로 구현됩니다. 이 유니타리는 그래프 구조를 큐비트 진폭의 상대적 위상에 인코딩합니다.
3. 비아벨 믹서: 주요 혁신은 네이티브 위상 공간 원시 연산으로 구성된 비아벨 믹서로 표준 횡장 믹서를 대체하는 것입니다. 이 믹서는 각 진동자 - 큐비트 쌍에 작용하며 다음으로 구성됩니다:
   • 학습 가능한 초기 단일 큐비트 회전.
   • 위치 ($\hat{x}$) 와 운동량 ($\hat{p}$) 사분면 (quadratures) 을 따라 수행되는 일련의 조건부 변위 (CD) 게이트.
   • 변위 간에 기저를 변경하는 교차된 단일 큐비트 회전.
   • 이 믹서의 깊이 $d$는 조정 가능한 매개변수입니다. $d=0$일 때 믹서는 표준 횡장 믹서로 축소됩니다. $d \geq 1$인 경우, $\hat{x}$와 $\hat{p}$의 비가환성을 활용하여 해 공간 탐색을 더 효과적으로 수행합니다.

주요 기여
본 논문은 세 가지 구체적인 기여를 합니다:

• 비아벨 믹서 제안: 저자들은 진동자 사분면의 비아벨적 특성을 활용하는 네이티브 하이브리드 CV-DV 명령어 세트 (조건부 변위 및 큐비트 회전) 로 구성된 믹서를 도입합니다.
• 하이브리드 안사츠 개발: 그들은 GKP 인코딩, NA-QSP 판독/보정, 그리고 제안된 비아벨 믹서를 통합한 Max-Cut 문제에 대한 완전한 QAOA 안사츠를 개발합니다.
• 벤치마킹: 그들은 근사 비율과 최적 해 확률을 사용하여 제안된 안사츠를 표준 횡장 믹서와 체계적으로 벤치마킹합니다.

시뮬레이션 결과
저자들은 다양한 포크 컷오프 ($N_{max} \in \{6, 8, 10, 12\}$) 와 GKP 포락선 매개변수 ($\Delta$) 를 사용하여 무가중 Erdős–Rényi 그래프 ($N=4$ 및 $N=5$ 크기) 에 대해 제안된 안사츠를 평가했습니다. 결과는 다음과 같습니다:

• 일관된 개선: 테스트된 모든 그래프 크기와 포크 컷오프에 걸쳐 비아벨 믹서는 표준 횡장 믹서보다 일관되게 우수한 성능을 보였습니다.
• 지표 향상: 근사 비율의 평균 개선량은 두 그래프 크기 모두에서 약 0.13 이었습니다. 최적 해를 샘플링할 확률의 평균 개선량은 약 0.15 였습니다.
• 깊이 의존성: 믹서 깊이를 $d=0$(횡장 기준선) 에서 $d=1$로 증가시키는 것이 가장 큰 성능 향상을 가져왔습니다. 깊이를 더 증가시키는 것은 미미하지만 긍정적인 이득을 제공했습니다.
• 견고성: 포크 컷오프가 증가함에 따라 성능이 안정적으로 유지되어 알고리즘이 무한 차원 힐베르트 공간의 잘라냄 (truncation) 에 대해 견고함을 시사합니다. GKP 포락선 매개변수 $\Delta$ 또한 성능에 영향을 미쳤으며, 더 큰 값 (더 낮은 에너지, 더 넓은 상태를 나타냄) 은 잘라진 공간에서 약간의 개선을 보였습니다.

의의 및 주장
본 논문은 제안된 비아벨 믹서가 하이브리드 진동자 - 큐비트 플랫폼에서 QAOA 를 위한 유망한 구성 요소라고 주장합니다. 결과는 하이브리드 시스템에 대한 알고리즘 설계가 이산 변수 알고리즘의 단순한 이전에 의존하기보다는 네이티브 하드웨어 구조와 제어 원시 연산 (특히 비가환적 위상 공간 연산) 을 따라야 함을 시사합니다. 저자들은 그들의 믹서가 Max-Cut 해 공간 탐색을 더 효율적으로 가능하게 하여 해의 기대 품질과 최적 해를 찾을 가능성을 모두 향상시킨다고 주장합니다. 그들은 이 작업이 하이브리드 양자 프로세서에 대한 체계적인 알고리즘 설계로 나아가는 한 걸음이며, 하이브리드 시스템의 고유한 대수적 속성 (비아벨 제어) 을 활용하여 알고리즘 성능을 향상시키는 더 넓은 설계 원칙을 강조한다고 결론지었습니다.