⚛️ lattice

Ground state preparation of random all-to-all Hamiltonians using ADAPT-VQE

이 논문은 TETRIS-ADAPT-VQE 알고리즘이 SK 및 SYK 모델과 같은 무작위 전방위 해밀토니안에 대해 고충실도 바닥 상태 준비를 달성할 수 있음을 입증하지만, SK 모델에 대해서는 효율적인 반면 조밀하거나 중간 정도의 희소성을 가진 SYK 모델에 대해서는 효율적으로 확장하는 데 실패함을 보여준다.

원저자: Sabhyata Gupta, Bharath Sambasivam, Sophia E. Economou, Edwin Barnes, Alexander F. Kemper, Raghav G. Jha

게시일 2026-06-18

📖 3 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Sabhyata Gupta, Bharath Sambasivam, Sophia E. Economou, Edwin Barnes, Alexander F. Kemper, Raghav G. Jha

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

당신이 거대하고 혼란스러운 사람들의 무리에서 가장 안정적이고 편안한 위치를 찾으려 한다고 상상해 보십시오. 양자 물리학의 세계에서 이 "무리"는 입자들의 집단이며, 이들의 "편안한 위치"는 **바닥 상태(ground state)**라고 불립니다. 이 상태를 찾는 것은 물질이 어떻게 행동하는지, 블랙홀이 어떻게 작동하는지, 심지어 중력이 양자 역학에 어떻게 연결되는지를 이해하는 데 매우 중요합니다.

하지만 어떤 무리들은 조직화하기가 믿을 수 없을 정도로 어렵습니다. 이들은 "무작위적"이고 "전체-대-전체(all-to-all)" 방식인데, 이는 모든 입자가 단지 이웃과만 상호작용하는 것이 아니라, 모든 입자가 서로 끊임없이 상호작용한다는 것을 의미합니다. 이것은 모든 가닥이 서로 묶여 있는 매듭을 푸는 것과 같은 복잡성을 만들어냅니다.

이 논문은 우리가 이러한 혼란스러운 무리들을 효율적으로 조직화하기 위해 TETRIS-ADAPT-VQE라고 불리는 새로운 유형의 양자 컴퓨터 알고리즘을 사용할 수 있는지 조사합니다. 이 알고리즘을 입자들을 가장 차분한 상태로 안내하기 위한 특정 "회로"(일련의 지침)를 구축하는 스마트하고 적응력 있는 건축가라고 생각해 보십시오. 연구진은 이 알고리즘을 세 가지 다른 유형의 혼란스러운 무리에 대해 테스트했습니다:

양자 SK 모델 (The Quantum SK Model): 모든 사람이 서로 무작위로 상호작용하는 군중입니다.
조밀한 SYK 모델 (The Dense SYK Model): 모든 사람이 서로 상호작용하지만, 규칙이 약간 다릅니다(마요라나 페르미온이라는 특정 유형의 입자와 관련이 있습니다).
희소한 SYK 모델 (The Sparse SYK Model): 조밀한 SYK 모델에서 관리를 더 쉽게 만들기 위해 많은 상호작용을 제거한 "희석된" 버전입니다.

결과: 두 종류의 무리가 들려주는 이야기

연구진은 이 무리들을 조직화하는 난이도가 당신이 어떤 무리를 다루고 있느냐에 따라 전적으로 달라진다는 것을 발견했습니다.

1. SK 모델: 관리 가능한 무리
양자 SK 모델의 경우, 알고리즘은 아주 훌륭하게 작동했습니다. 그것은 마치 표준적인 벽돌 세트로 집을 짓는 것과 같았습니다. 무리가 커짐에 따라(18명까지), 이들을 조직화하는 데 필요한 지침의 수는 예측 가능하고 관리 가능한 방식(다항식 성장)으로 늘어났습니다. 알고리즘은 거의 완벽한 정확도(99.99% 이상 정확함)로 완벽한 휴식 위치를 찾아냈습니다.

핵심 요약: 이 특정 유형의 무작위 상호작용에 대해서는, 양자 컴퓨터가 이 문제를 효율적으로 해결하는 데 매우 유망해 보입니다.

2. SYK 모델: 불가능한 매듭
조밀한(Dense) 모델과 희소한(Sparse) 모델 모두에서 이야기는 매우 달랐습니다. 비록 "희소한" 모델이 상호작용을 줄였음에도(마치 엉킨 줄을 몇 개 제거한 것처럼), 알고리즘은 여전히 엄청나게 고전했습니다.

문제점: 무리가 커짐에 따라(20개 입자까지), 이들을 조직화하는 데 필요한 지침의 수는 기하급수적으로 폭발했습니다. 마치 방에 사람을 한 명 더 추가할 때마다 전체 건설 인력과 건축 자재를 두 배로 늘려야 하는 것과 같습니다.
놀라운 점: 연구진은 모델을 "희소하게"(상호작용을 제거) 만들면 더 쉬워질 것이라고 예상했습니다. 그러나 그들은 얽힘(entanglement)(입자들 사이의 보이지 않고 복잡한 연결)이 조밀한 버전만큼이나 여전히 무질서하고 "부피가 큰(volume-heavy)" 상태로 남아 있다는 것을 발견했습니다. 규칙을 몇 개 제거했다고 해서 전체적인 퍼즐이 단순해지지는 않았으며, 입자들은 여전히 너무 깊게 연결되어 있었습니다.
핵심 요약: 이러한 특정 SYK 모델의 바닥 상태를 준비하는 것은 현재로서는 너무 어렵습니다. 시스템이 커짐에 따라 복잡성이 너무 빠르게 증가하여 컴퓨터가 감당하기 어렵습니다.

이것이 왜 중요한가요?

이 논문은 양자 컴퓨터가 "SK" 유형의 무작위 문제들을 해결하는 데는 뛰어날 수 있지만, "SYK" 유형의 문제에서는 벽에 부딪힌다는 결론을 내립니다. 희망적이었던 더 쉬운 버전인 "희소한" SYK 모델조차도, 규칙의 수가 줄어들었다고 해서 입자들의 근본적인 연결 특성인 얽힘이 변하지 않았기 때문에 여전히 똑같이 어려웠습니다.

요약하자면, 연구진은 매우 스마트한 "조직가"(알고리즘)를 만들었습니다. 그것은 한 종류의 혼란스러운 방에서는 완벽하게 작동했지만 다른 두 종류의 방에서는 규모를 키우는 데 실패했습니다. 이는 어떤 양자 문제들은 연결을 아무리 제거하려고 해도 본질적으로 다른 문제들보다 훨씬 더 어렵다는 것을 증명합니다.

기술 요약: ADAPT-VQE를 이용한 무작위 전방향(All-to-All) 해밀토니안의 바닥 상태 준비

문제 정의
본 논문은 양자 셔링턴-커크파트(Sherrington-Kirkpatrick, SK) 모델과 사크데프-예-키타예프(Sachdev-Ye-Kitaev, SYK) 모델(밀집형 및 희소형 변형 모두 포함)과 같이 전방향 상호작용을 가진 무작위 해밀토니안의 바닥 상태를 준비하는 과제를 다룹ون다. 이 시스템들은 바닥 상태에서 볼륨 법칙(volume-law) 얽힘을 특징으로 하며, 이는 고전적인 텐서 네트워크 방법론으로 시뮬레이션하기 어렵게 만든다. 신경 양자 상태(Neural Quantum States, NQS)가 고전적 근사법을 개선했음에도 불구하고, 특히 SYK 모델의 경우 모든 볼륨 법칙 상태의 정확한 거동을 재현하는 데 어려움을 겪고 있다. 이에 따라 저자들은 변분 양자 알고리즘이 이러한 특정 무질서 시스템을 시뮬레이션하는 데 있어 양자 우위를 제공할 수 있는지 조사하며, 이는 충분히 희소한 무작위 해밀토니안은 준비하기 쉬울 수 있다는 이론적 주장에도 불구하고 여전히 미해결 상태로 남아 있는 문제이다.

방법론
저자들은 TETRIS-ADAPT-VQE(Adaptive Derivative Assembled Problem-Tailored Variational Quantum Eigensolver) 알고리즘을 사용한다. 이 접근 방식은 고정된 안사츠(ansatz)와 관련된 최적화 문제를 피하면서, 그래디언트 정보에 기반하여 사전 정의된 연산자 풀(pool)에서 연산자를 반복적으로 선택함으로써 컴팩트하고 하드웨어 친화적인 양자 회로를 구축한다.

주요 방법론적 구성 요소는 다음과 같다:

연산자 풀(Operator Pools): 해밀토니안의 대칭성을 존중하고 효율적인 수렴을 보장하기 위해, 저자들은 대칭성을 고려한 파울리 연산자 풀을 구성한다.
- SK 모델의 경우, 시간 역전 및 패리티 대칭성으로부터 유도된 $Z_i Y_j$ 및 $Y_i Z_j$ ( $i < j$ ) 연산자를 포함한다.
- SYK 모델(밀집형 및 희소형)의 경우, $Z_2$ 패리티 대칭성을 존중하는 $Z_i$ , $X_i Y_j$ , $Y_i X_j$ , 그리고 $Z_i Z_j$ ( $i < j$ )를 포함한다.
참조 상태(Reference States): 시뮬레이션에는 Néel 상태의 동일한 중첩 상태(SK용) 또는 올바른 $Z_2$ 패리티 섹터 내의 특정 Néel 상태(SYK용)를 초기 참조 상태로 사용한다.
시뮬레이션 범위: 스케일링을 평가하기 위해 무잡음(noiseless) 고전 시뮬레이션을 수행한다.
- SK 모델: 최대 $L = 18$ 사이트(큐비트).
- SYK 모델: 최대 $N = 20$ 마요라나 페르미온(이는 $n = 10$ 큐비트에 해당함). 희소 SYK 모델은 희소화 파라미터 $k_s = 9$ 를 사용한다.

주요 결과
알고리즘의 성능은 SK 모델과 SYK 모델 사이에서 크게 다르게 나타난다:

양자 SK 모델:
- 알고리즘은 최대 $L=18$ 큐비트에 대해 정확한 바닥 상태를 성공적으로 구축한다.
- 충실도(Fidelity): 테스트된 모든 인스턴스에 대해 $\geq 99.9998\%$ 의 충실도를 달ach한다.
- 스케일링: 준비 과정이 효율적이며, 2-큐비트 게이트 깊이(CNOT 개수)와 변분 파라미터의 수는 시스템 크기에 따라 **다항식(polynomially)**으로 스케일링된다.
- 상(Phase) 의존성: 알고리즘은 $\Gamma = 1$ (스핀 글래스 상전이 근처인 $\Gamma = 1.5$ 대비 $\Gamma = 3$ 인 상자성 상)일 때보다 $\Gamma = 3$ 일 때 더 적은 반복 횟수와 파라미터를 필요로 하며, 이는 바닥 상태의 복잡성 변화를 반영한다.
밀집형 및 희소형 SYK 모델:
- 알고리즘은 최대 $N=20$ 마요라나 페르미온에 대해 높은 충실도( $\geq 99.3\%$ )를 달성한다.
- 스케일링: SK 모델과 달리, 밀집형 및 희소형 변형 모두에서 2-큐비트 게이트 깊이와 파라미터 수는 시스템 크기에 따라 지수적(또는 고차 다항식)으로 스과일링된다.
- 희소성의 영향: 희소화(해밀토니안 항을 $O(N^4)$ 에서 $O(N)$ 으로 감소)는 고전적 후처리 측면에서의 측정 비용을 크게 낮추지만, 바닥 상태를 준비하는 데 필요한 변분 복잡성을 줄이지는 못한다.
- 얽힘 분석: 밀집형 및 희소형( $k_s=9$ ) SYK 바닥 상태 모두 거의 동일한 계수를 가진 볼륨 법칙 얽힘 엔트로피( $S_{EE} \propto N$ )를 보인다. 이는 준비의 어려움이 해밀토니안 항의 개수가 아니라 상태의 얽힘 구조에 의해 결정됨을 나타낸다.

의의 및 주장
본 논문은 TETRIS-ADAPT-VQE가 양자 SK 모델의 바닥 상태를 준비하는 데 효율적인 방법(즉, 근미래 양자 컴퓨터에 적합한 작업임을 시사)인 반면, 고려된 밀집형 또는 중간 정도의 희소성을 가진 SYK 모델에 대해서는 효율적이지 않다고 주장한다.

내재적 어려움: 저자들은 SYK 모델에서 관찰된 지수적 스케일링이 참조 상태와 연산자 풀을 변경하여 테스트했음에도 불구하고, 하이퍼파라미터 선택의 결과가 아니라 문제 자체의 내재적 특성(볼륨 법칙 얽힘 때문)일 가능성이 높다고 결론짓는다.
희소화의 한계: 본 연구는 $k_s = 9$ 일 때, 희소화가 양자적 관점에서 바닥 상태 준비 문제를 "쉬운" 상태로 만들지 못함을 입증하며, 이는 준비가 쉽다고 논의되는 이론적 문헌의 "충분히 희소한" 해밀토니안( $d=O(1)$ )들과 구별된다.
열린 질문: 저자들은 덜 희소한 영역( $k_s \gg 1$ )에 대해 양자 컴퓨터에서 이러한 모델의 바닥 상태 준비가 효율적일 수 있는지, 혹은 다른 알고리즘(예: AVQITE)이 다른 결과를 낼 수 있는지에 대한 의문이 남아 있다고 언급한다. 또한, 서로 다른 무질서 인스턴스 간의 안사츠 전이성(ansatz transferability)이 이 시스템들에서는 실제로 작동하지 않는다는 것을 발견했다.

요약하자면, 본 연구는 변분 양자 알고리즘이 특정 전방향 스핀 모델은 효율적으로 처리할 수 있지만, 현재는 SYK 모델과 같이 볼륨 법칙 얽힘을 가진 페르미온 모델에 대해 상당한 스케일링 장벽에 직면해 있음을 보여주는 엄격한 수치적 벤치마크를 제공한다.

결과: 두 종류의 무리가 들려주는 이야기

이것이 왜 중요한가요?

유사한 논문