Measurement circuit ansatz: Naimark versus quantum neural-network measurements

본 논문은 일반 측정을 구현하기 위한 세 가지 양자 회로 안사츠인 네이마르크 기반(Naimark-based), 하이브리드 네이마르크-QNN(hybrid Naimark-QNN), 그리고 완전 양자 신경망(QNN) 접근 방식을 제안하고 비교하며, QNN 회로가 더 적은 훈련 반복 횟수로 상태 판별 작업에서 최적에 가까운 성능을 효율적으로 달성할 수 있음을 입증한다.

핵심

상상해 보세요, 당신에게는 비밀을 품고 있는 마법의 상자(양자 컴퓨터)가 있습니다. 그 안에 무엇이 들어있는지 알아내려면 상자를 열고 들여다봐야 하지만, 어떻게 들여다보느냐가 중요합니다. 양자 물리학의 세계에서 '들여다보는 것'은 **측정(measurement)**이라고 불립니다. 이 논문은 본질적으로 그 상자 안을 비출 수 있는 가장 좋은 '손전등'을 만드는 방법에 대한 가이드이며, 두 가지 서로 다른 손전등 제작 방식을 비교하고 있습니다.

다음은 이들의 연구 내용을 쉬운 비유를 사용하여 정리한 것입니다.

문제: 완벽한 손전등 만들기

양자 컴퓨팅에서 우리는 종가 POVM(Positive Operator-Valued Measures)라고 불리는 복잡한 측정을 수행해야 할 때가 많습니다. 이것을 일반적인 손전등은 놓칠 수 있는 미세한 상태 차이를 감지할 수 있는 정교한 손전등이라고 생각하세요.

저자들은 현재의 불완란한 양자 하드웨어를 사용하여 이러한 손전등을 만드는 방법을 테스트했습니다. 그들은 이 회로를 구성하기 위해 세 가지 서로 다른 "설계도(ansatzes)"를 테스트했습니다.

1. "나이마크(Naimark)" 설계도 (전통적인 건축가)

   • 작동 방식: 이는 *나이마크 확장(Naimark extension)*이라는 엄격한 수학적 규칙을 따릅니다. 이는 마치 엄격하고 사전 승인된 건축 계획을 사용하여 집을 짓는 것과 같습니다. 측정 결과가 완벽하도록 매우 구체적인 구조 속에 표준 벽돌(CNOT 및 단일 큐비트 회전과 같은 게이트)을 배치하여 사용합니다.
   • 함정: 이 설계도는 완벽한 손전등을 만들 수 있다는 것을 보장하지만, 그 구조가 믿기 힘들 정도로 복잡합니다. 이는 마치 거대하고 엉클어진 매듭을 푸는 것과 같습니다. 최상의 결과를 얻기 위해 조절 나부(매개변수)를 돌리려고 하면, 컴퓨터는 국소적인 함정(local traps)에 빠지게 됩니다. 해결책을 찾는 데 시간이 너무 오래 걸리며, 오늘날의 노이즈가 있는 하드웨어에서는 작업을 마치기도 전에 오류로 인해 결과가 망가져 버립니다.

2. "하이브리드(Hybrid)" 설계도 (리모델링)

   • 작동 방식: 이 방식은 엄격한 나이마크 계획을 따르되, 만들기 가장 어려운 부분들을 **양자 신경망(QNN)**이라 불리는 유연하고 학습 가능한 블록으로 교체합니다. 이는 집의 기초는 유지하되, 어렵고 맞춤 제작이 필요한 지붕을 기성품의 조절 가능한 지붕으로 교체하는 것과 같습니다.
   • 결과: 복잡성이 약간 줄어들긴 하지만, 여데도 원래 설계가 가진 "엉클어진 매듭" 문제를 일부 물려받습니다.

3. "전체 QNN(Full QNN)" 설계도 (현대적인 건설업자)

   • 작동 방식: 이 방식은 엄격한 규칙 책을 완전히 무시합니다. 대신, 유연하고 학습 가능한 블록(QNN)만을 사용하여 얕고 효율적인 방식으로 손전등을 만듭니다. 이는 부품들이 쉽고 빠르게 끼워지는 모듈형 3D 프린팅 키트를 사용하는 것과 같습니다.
   • 결과: 이 설계도는 튜닝하기가 훨씬 쉽습니다. "조절 나부"를 돌리기가 더 수월하며, 컴퓨터는 매우 빠르게 좋은 해결책을 찾아냅니다.

실험: 결승선을 향한 경주

저자들은 이 세 가지 설계도를 두 가지 특정 시나리오에서 테스트했습니다.

• 최소 오류 전략(Minimum-Error Strategy): 가능한 한 실수를 최소화하여 양자 시스템의 상태를 추측하는 것.
• 최대 신뢰 전략(Maximum-Confidence Strategy): 추측을 할 때 가능한 한 확신을 갖는 것.

그들은 실제 양자 컴퓨터(IBM Strasbourg)와 시뮬레이터에서 이 테스트를 실행했습니다.

연구 결과:

• 전통적인 건축가 (나이마크): 충분한 시간과 완벽하고 노이즈가 없는 환경이 주어진다면, 결국 절대적으로 최선인 측정을 찾아냅니다. 하지만 실제 노이즈가 있는 하드웨어에서는 너무 느리고 회로가 너무 깊습니다. 길을 잃고 헤매게 되며, 오류가 쌓여 결과가 망가집니다. 이는 누군가 테이블을 흔들고 있는 동안 루빅스 큐브를 맞추려는 것과 같습니다.
• 현대적인 건설업자 (전체 QNN): 항상 수학적으로 완벽한 해결책을 찾는 것은 아닙니다 (예를 들어 100% 대신 95% 정도의 완벽함을 보일 수 있습니다). 하지만, 매우 빠르게 매우 좋은 해결책을 찾아냅니다. 회로가 얕고 단순하기 때문에 노이즈가 있는 실제 환경에서도 훌륭하게 작동합니다. 이는 완벽한 것을 위해 몇 시간을 허비하다 실패하는 대신, 더 간단한 퍼즐을 빠르게 풀어 훌륭한 결과를 얻는 것과 같습니다.

핵심 요약

이 논문은 다음과 같은 트레이드오프(trade-off)가 있다고 결론짓습니다.

• 만약 당신이 완벽함을 원하고 완벽한 기계를 가지고 있다면, 나이마크 방식을 사용하십시오.
• 만약 당신이 오늘날의 실제적이고 불완전한 양자 컴퓨터를 사용하고 있다면, QNN (신경망) 방식이 승자입니다. 이 방식은 "충분히 괜찮은" 결과를 내며, 훨씬 빠르게 학습 가능하고, 오류에 훨씬 강합니다.

저자들은 현재의 양자 컴퓨팅 시대에는, 최적에 가까운 결과를 빠르게 얻기 위해 깊고 경직된 회로와 씨름하기보다, 유연하고 얕은 신경망 회로를 사용하는 것이 더 낫다고 제안합니다.

기술 요약

기술 요약: 측정 회로 안사트(Ansatz): 나이마크(Naimark) 대 양자 신경망(QNN) 측정

문제 정의
일반적인 양자 측정, 구체적으로 양의 연산자 값 측정(POVM)을 구축하는 것은 비고전적 효과를 드러내거나 변분 양자 알고리즘을 최적화하는 것과 같은 양자 정보 처리 작업의 근본적인 요구 사항입니다. 나이마크 확장 정리(Naimark extension theorem)는 시스템을 보조 큐비트와 유니터리하게 상호작용시키고 보조 큐비트를 측정함으로써 임의의 POVM을 구현하기 위한 이론적 프레임워크를 제공하지만, 현재의 노이즈가 있는 중간 규모 양자(NISQ) 하드웨어에서의 실제 구현은 상당한 난관에 봉착해 있습니다. 유니버설 게이트 세트(예: CNOT 및 단일 큐비트 게이트)에 기반한 기존의 구조들은 종종 높은 CNOT 개수를 가진 깊은 회로를 생성합니다. 또한, 고전적 옵티마이저를 통해 이러한 회로의 파라미터를 최적화하는 것은 계산적으로 매우 어려운데, 이는 회로 구조가 복잡한 에너지 지형(구체적으로 ZZ-상호작용)을 도입하여 국소 최솟값(local minima)에 빠지기 쉽고 효율적인 수렴을 방해하기 때문입니다.

방법론
저자들은 양자 하드웨어에서 일반적인 측정을 구현하기 위해 세 가지 서로 다른 회로 안사트를 제안하고 비교합니다:

1. 나이마크 양자 측정 (Naimark Quantum Measurement): 이 접근 방식은 유니버설 게이트 세트를 사용하여 나이마크 확장을 엄격하게 따릅니다. 회로는 CNOT 게이트와 파라미터화된 단일 큐비트 회전 게이트를 사용하여 구성됩니다. 이 구조는 $n$-큐비트 시스템에 대해 $\lceil \log_2 l \rceil$개의 보조 큐비트를 사용하여 $l$-결과 POVM을 생성하도록 설계되었습니다. 저자들은 이를 타겟 측정을 근사하기 위해 고전적 옵티마이저가 단일 큐비트 게이트 파라미터를 튜닝하는 파라미터 탐색 문제로 프레임화합니다.
2. 하이브리드 나이마크-QNN 측정 (Hybrid Naimark-QNN Measurement): 순수 나이마크 방식의 계산적 어려움을 해결하기 위해, 저자들은 나이마크 구조 내의 다중 큐비트 유니터리 블록(ZZ-상호작용을 포함하는)을 파라미터화된 양자 회로(PQC), 구체적으로 양자 신경망(QNN)으로 대체합니다. 이 하이브리드 접근 방식은 나이마크 확장의 보조 큐비트 포함 전략(집단 CNOT)은 유지하면서도, 시스템 유니터리를 하드웨어 효율적 안사트(HEA) 또는 회로 블록(CB)으로 대체합니다.
3. 전체 QNN 측정 (Fully QNN Measurement): 이 접근 방식은 명시적인 나이마크 구조적 제약을 완전히 버립니다. 이는 직접적인 측정을 근사하기 위해 완전히 파라미터화된 QNN 회로(HEA 또는 CB 레이어로 구성됨)를 활용합니다. 이 회로들은 명시적인 ZZ-상호작용을 피하며, 큐비트 수에 따라 CNOT 게이트 수가 선형적으로 스케일링되어 더 얕은 깊이를 가지며 현재의 하드웨어 연결성에 더 적합합니다.

이러한 안사트들의 성능은 양자 상태 판별(Quantum State Discrimination) 과제를 통해 평가되며, 특히 다음 두 가지 전략에 초점을 맞춥니다:

• 최소 오류(Minimum-Error, ME) 판별: 준비된 상태를 올바르게 추측할 확률을 최대화합니다.
• 최대 신뢰(Maximum-Confidence, MC) 판별: 특정 결과가 올바른 상태에 대응할 조건부 확률을 최대화합니다. MC를 위해, 저자들은 필요한 상태 필터링($\rho^{-1/2}$)을 실현하기 위해 블록 인코딩(block-encoding) 회로를 도입하여 유니터리 측정 회로를 최적화합니다.

주요 기여

• 나이마크 회로의 구조적 분석: 본 논문은 나이마크 측정 회로의 빌딩 블록(구체적으로 제어 회전 게이트)이 QUBO 문제에 대한 QAOAs와 구조적으로 유사한 ZZ-상호작용을 도입한다는 것을 보여줍니다. 이러한 유사성은 왜 고전적 옵티마이저가 나이마크 회로에서 국소 최솟값과 느린 수렴 문제에 직면하여 어려움을 겪는지 설명합니다.
• QNN 기반 안사트 제안: 저자들은 CNOT 게이트 수를 줄이고 나이마크 구조에서 발견되는 특정 ZZ-상호작용 병목 현상을 제거하는 대안으로서 하이브리드 및 전체 QNN 측정 회로를 도입합니다.
• MC 측정을 위한 블록 인코딩: 상태 필터링 단계 이후 유니터리 성분을 최적화할 수 있도록 블록 인코딩을 사용하는 특정 회로 구성을 제시합니다.
• 경험적 비교: 시뮬레이터(Qiskit Aer)와 실제 하드웨어(IBM Strasbourg) 모두에서 세 가지 안사트에 대한 비교 분석을 수행하여 수렴 속도, 자원 효율성 및 최종 성능 지표를 평가합니다.

결과

• 최적화 효율성: QNN 기반 측정(하이브리드 및 전체 QNN 모두)은 나이마크 측정보다 훨씬 더 효율적으로 최적화됩니다. 이들은 훨씬 적은 훈련 반복 횟수로 최적에 가까운 추측 확률 또는 신뢰 값을 달성합니다.
• 수렴 대 최적성 (Convergence vs. Optimality): 트레이드오프가 관찰됩니다. 엄격한 나이마크 측정은 더 많은 반복과 계산 자원을 필요로 하지만, 이론적으로 최적인 측정 값에 도달할 수 있습니다. 반면, QNN 측정은 빠르게 수렴하지만 제한된 표현력(expressibility)으로 인해 일반적으로 이론적 최적값보다 약간 낮은 지점에서 정체됩니다.
• 하드웨어 성능: 노이즈가 있는 IBM Strasbourg 장치에서, 하드웨어 효율적 안사트(HEA)를 사용한 전체 QNN 측정이 나이마크 및 하이브리드 접근 방식보다 우수한 성능을 보였습니다. 인접 이웃 연결성을 존중하는 HEA 회로가 실제 하드웨어에 가장 유리했으며, MC 판별 작업에서 가장 높은 신뢰 값을 달고서 최고 성능을 기록했습니다.
• 자원 스케일링: 나이마크 회로의 CNOT 게이트 수는 급격히 스케일링($O(2^{n}l^2)$)되는 반면, QNN 회로는 큐비트 수에 따라 선형적으로 스케일링되어 현재 하드웨어에서 더 큰 시스템에 적용하기에 더 용이합니다.

의의
본 논문은 나이마크 확장이 임의의 POVM을 구축하기 위한 이론적으로 완전한 방법을 제공하지만, 회로 깊이와 최적화의 어려움 때문에 근미래의 양자 하드웨어에는 실용적이지 않은 경우가 많다고 주장합니다. 제안된 QNN 기반 측정 회로는 최적화 효율성과 최적에 가까운 성능 사이의 균형을 맞추는 "비용 효율적인" 대안을 제공합니다. 저자들은 QNN 측정이 효율적으로 최적화되고 그 게이트 구조가 전형적인 큐비트 배열의 인접 이웃 연결성과 일치하기 때문에 현재의 장치들에 특히 적합하다고 결론짓습니다. 이 연구는 최적의 측정 근사 정밀도와 최적화 프로세스의 효율성 사이의 명확한 트레이드오프를 강조하며, NISQ 애플리케이션의 경우 엄격한 나이마크 구조의 이론적 최적성보다 QNN 안사트의 효율성이 더 중요할 수 있음을 시사합니다.