Pauli-Sparse regularised Counterdiabatic Shortcuts for Linear-Ramp QAOA

기술 요약: 선형 램프(Linear-Ramp) QAOA를 위한 파울리 희소 정규화 역대각(Counterdiabatic) 숏컷

문제 정의
양자 근사 최적화 알고리즘(QAOA)을 통한 조합 최적화는 매개변수 효율성과 동역학적 정확도 사이의 결정적인 트레이드오프에 직면해 있다. 선형 램프 QAOA(LR-QAOA)는 층 각도를 적치(adiabatic)에서 영감을 받은 스케줄에 따라 제약함으로써 고전적 최적화 부담을 줄여 적은 수의 매개변수를 사용한다. 그러나 스펙트럼 간격이 작거나 지수적으로 작은 해밀토니안의 경우, 유한 시간 적치 진화는 강한 대각선 전이(diabatic transitions)를 겪으며, 이로 인해 시스템이 원하는 저에너지 해 공간(solution manifold) 밖으로 누출될 수 있다. 반면, 역대각(counterdiabatic, CD) 구동은 적치 게이지 포텐셜(Adiabatic Gauge Potential, AGP)에서 유도된 보정 항을 추가함으로써 이러한 전이를 억제하는 원칙적인 방법을 제공하지만, 표준적인 접근 방식들은 유한한 게이트 예산 하에서는 실행 불가능한 조밀한 연산자나 미리 지정된 안사츠(ansatz)를 요구하는 경우가 많다. 더욱이, 까다로운 최적화 문제에 대한 정확한 AGP는 저에너지 매니폴드 내의 미시적이고 지수적으로 작은 에너지 분리를 해결해야 하는 경우가 많은데, 이는 계산 비용이 많이 들 뿐만 아니라 고품질의 해를 찾는 데 있어 반드시 필요하지 않을 수도 있다.

방법론
저자들은 파울리 희소 정규화 역대각 확장(Pauli-sparse, regularised counterdiabatic extension) LR-QAOA를 구축하기 위한 프레임워크를 제안한다. 핵심 방법론은 전체 조밀한 리우빌리안(Liouvillian) 행렬을 형성하지 않고 파울리 기저에서 정규화된 AGP 방정식을 직접 푸는 것이다.

1. 정규화된 AGP 방정식: 이 방법은 $(\mathcal{L}_H^2 + \eta I) A_\lambda^{(\eta)} = -i \mathcal{L}_H(G)$ 형태의 선형 시스템을 해결한다. 여기서 $\mathcal{L}_H(X) = [H, X]$는 교환자 초연산자(commutator superoperator)이며, $G = \partial_\lambda H$이다. 이 방정식은 대각선 전이의 상쇄와 포텐셜 노름(norm) 사이의 균형을 맞추는 정규화된 범함수를 최소화함으로써 유도된다.
2. 에너지 분해 메커니즘: 매개변수 $\eta$는 에너지 분해 척도로서 작용한다. 이는 $|\omega| \ll \sqrt{\eta}$인 에너지 차이와 관련된 전이는 억제하는 동시에, $|\omega| \gg \sqrt{\eta}$인 전이는 유지한다. 이를 통해 방법론은 목표 저에너지 매니폴드 내의 지수적으로 작은 분리를 무시하면서도(정확한 적치 추종의 필요성을 피함), 높은 에너지 들뜬 상태로의 누출은 방지할 수 있게 한다.
3. 부정확 공액 기울기(Inexact Conjugate Gradient, CG) 솔버: 저자들은 조밀한 AGP를 계산하거나 압축하는 대신, 파울리 좌표계에서 부정확 공액 기울기법을 사용한다.
   • 행렬 없는 적용(Matrix-Free Application): 연산자 $(\mathcal{L}_H^2 + \eta I)$는 조밀한 $4^n$ 차원 행렬을 구성하는 대신 파울리 교환자를 사용하여 기호적으로 적용된다.
   • 절단(Truncation): CG 반복 과정 중에 파울리 확장을 가장 큰 계수 $m$개를 유지하도록 절단한다(크기 기반 절단). 이는 선형 솔버를 게이트 예산을 고려한 구현 가능한 파울리 회전을 식별하는 지지 구조 발견(support-discovery) 절차로 변환한다.
   • 잔차 재계산(Residual Recomputation): 절단으로 인한 오차 누적을 방지하기 위해, 잔차를 재귀적으로 업데이트하는 대신 각 단계에서 정확하게 재계산한다.
4. 갈레르킨 재적합(Galerkin Refit) 및 인증: 희소 지지 구조(support)가 발견되면, 해당 지지 구조 상에서 계수를 최적화하기 위해 갈레르킨 재적합을 수행한다. 근사의 품질은 잔차 경계 $\|A - A_\lambda^{(\eta)}\|_{HS} \leq \|R\|_{HS} / \eta$를 통해 사후적으로 인증된다. 여기서 $R$은 선형 시스템의 잔차이다. 이는 정확한 해를 알지 못해도 계산 가능한 오차 범위를 제공한다.
5. 회로 통합: 결과로 얻은 희소 파울리 생성자는 LR-QAOA 회로에 역대각 층으로서 삽입된다. 변분 최적화는 램프 진폭 $(\Delta\beta, \Delta\gamma)$와 역대각 진폭 $\Delta_{CD}$로 축소된 매개변수 세트에 대해 수행된다.

주요 기여

• 직접적인 파울리 좌표계 솔루션: 특정 안사츠(예: 국소 항, 중첩된 교환자)를 규정하거나 조밀한 AGP를 계산하는 기존의 CD-QAOA 연구들과 달리, 본 연구는 파울리 좌표계에서 정규화된 AGP 방정식을 직접 풀어 포텐셜을 근사하는 동시에 희소한 구현 가능 회전을 선택한다.
• 물리적 필터로서의 정규화: 본 논문은 정규화 매개변수 $\eta$를 단순한 수치적 안정화 도구가 아니라 특정 에너지 척도 미만의 전이를 억제하는 물리적 필터로 재정의한다. 이는 최적화 문제에서 단일 고유 상태를 추적하는 것보다 저에너지 매니폴드 내에 머무는 것이 목표일 때 특히 효과적이다.
• 희소 선형 대수 파이프라인: 저자들은 행렬 없는 기호적 교환자, 지지 구조 발견을 위한 절단된 CG, 계수 최적화를 위한 갈레르킨 재적합을 결려한 완전한 파이프라인을 개발하였다. 이 접근 방식은 부정확 크릴로프 방법(inexact Krylov methods)의 아이디어를 양자 제어 문맥으로 도입한다.
• 이론적 보장: 본 논문은 정규화된 포텐셜과 비정규화된 포텐셜 사이의 거리, 선형 시스템의 조건수(condition number), 그리고 정확한 정규화 해에 대한 희소 근사의 오차에 대한 엄격한 경계를 제공한다.

결과
수치 실험은 강자성 체인(Ferromagnetic Chain, FC) 인스턴스와 섭동된 FC–MaxCut/MarketSplit 인스턴스를 대상으로 수행되었다:

• FC 검증: FC 인스턴스에서 표준 LR-QAOA는 시스템 크기가 커짐에 따라 성능이 저하되어 질서 매니폴드(ordered manifold)에 도달하는 데 실패했다. 제안된 정확한 AGP를 사용하는 LR-CD-QAOA는 낮은 깊이에서도 높은 질서 매니폴드 확률($P_{ord} \approx 0.9$)을 달anim했다. 결정적으로, 이 방법은 다양한 $\eta$ 값에 대해 견고함을 유지하였으며, 이는 지수적으로 작은 바닥 상태 분리를 해결하지 않고도 들뜬 상태로의 누출을 억제할 수 있음을 확인시켜 준다.
• 희소 CG 수렴: 실험을 통해 적은 수의 CG 반복($K \approx 4$)과 적절한 파울리 지지 구조 예산($m=64$)만으로도 조밀한 AGP의 이점 대부분을 회복할 수 있음을 입증했다. 근사 비율은 반복 횟수와 지지 구조 크기에 따라 단조롭게 개선되었다.
• 혼합 인스턴스: 해밀토니안이 FC 성분에 의해 지배되는 섭동된 MaxCut 및 MarketSplit 인스턴스에서, LR-CD-QAOA는 보정되지 않은 LR-QAOA를 크게 능가했다. LR-QAOA는 깊이 $p=8$에서도 최적해에서 멀리 떨어져 있었던 반면, CD 보정 버전은 적절한 깊이에서 정확한 최적해에 근접하는 근사 비율을 달성했다.

의의
본 논문은 이 프레임워크가 QUBO 최적화에 대한 QAOA의 실질적인 적용 가능성을 크게 넓힌다고 주장한다. 근접한(near-degenerate) 저에너지 구조와 작은 스펙트럼 간격을 가진 이질적인 문제 지형에 대한 견고성을 개선함으로써, 이 방법은 현재의 기술적 한계점을 해결한다. 이는 제한된 게이트 예산을 가진 양자 하드웨어에서 효과적인 역대각 구동을 구현할 수 있는 경로를 제시하며, 매개변수 효율적이지만 동역학적으로는 비효적인 선형 램프의 한계를 넘어선다. 이 연구는 고전적 희소 선형 대수 기술을 사용하여 문제 해밀토안의 특정 스펙트럼 특성에 동적으로 적응하는 양자 회로를 구축하는 하이브리드 최적화 패러다임을 확립한다.