Lie Group Diffusion Models for Hardware-Aware Quantum Circuit Synthesis

기술 요약: 하드웨어 인지형 양자 회로 합성을 위한 리 군 확산 모델 (Lie Group Diffusion Models)

문제 정의
양자 회로 합성(Quantum circuit synthesis)은 타겟 유니터리 연산 $U^\star$를 특정 양자 프로세서에서 실행 가능한 게이트 시퀀스로 컴파일하는 것을 목표로 한다. 이 문제는 자연스러운 하이브리드 구조를 가진다: 얽힘 회로 패턴(entangling circuit pattern)은 하드웨어 연결성 제약에 의해 결정되는 이산적(discrete)인 반면, 로컬 단일 큐비트 게이트는 콤팩트한 리 군(compact Lie group) $SU(2)$ 상에 존재하는 연속적(continuous) 변수이다. 확산 모델을 포함한 기존의 머신러닝 접근 방식은 일반적으로 회로를 유클리드 공간(Euclidean space)에서 표현하며, 이는 $SU(2)$ 매니폴드의 고유한 곡률 기하학을 무시하고 큐비트 연결성 및 게이트 오류율과 같은 하드웨어 제약을 자연스럽게 통합하지 못한다.

방법론
저자들은 하드웨어 제약과 양자 게이트의 기하학적 구조를 합성 과정에 직접 통합하는 두 가지 구성 요소의 생성 프레임워크를 제안한다:

1. 회로 스켈레톤 선택기 (Circuit Skeleton Selector): 근접 이웃 CZ 얽힘 패턴 라이브러리로부터 이산적인 회로 템플릿(스켈레톤)을 선택하는 지도 학습 기반 분류기(소형 다층 퍼셉트론)이다. 이 선택기를 위한 학습 라벨은 프로세스 충실도(fidelity)와 특정 게이트 오류율(예: $p_{CZ}$ 및 $p_{1Q}$)에 기반한 탈분극 비용(depolarization cost) 사이의 균형을 맞추는 하드웨어 인지 비용 함수로부터 도출된다.
2. 리 군 확산 모델 (Lie Group Diffusion Model): 스켈레톤이 조건화된 디노이징 확산 확률 모델(DDPM)로, 연속적인 로컬 단일 큐비트 게이트를 생성한다. 표준 유클리드 확산과 달리, 이 모델은 곱 매니폴드(product manifold) $SU(2)^n \simeq S^{3n}$ 상에서 직접 작동한다.
   • 표현 (Representation): 게이트는 단위 사원수(unit quaternions)로 표현된다.
   • 순방향 과정 (Forward Process): 우측 곱 리 대수 섭동(right-multiplicative Lie algebra perturbations)을 통해 노이즈를 추가한다(이는 $\mathfrak{su}(2) \simeq \mathbb{R}^3$ 상의 가우시안 탄젠트 벡터를 샘플링하고 지수 사상(exponential map)을 통해 다시 그룹으로 매핑하는 방식이다).
   • 역방향 과정 (Reverse Process): 모델은 타겟 해밀토니안, 진화 시간, 그리고 선택된 스켈레톤을 조건으로 하여 노이즈를 예측한다. 디노이징 타겟은 $SU(2)$ 상의 열 커널(heat kernel)로부터 유도되며, 이를 통해 학습된 스코어(score)가 매니폴드의 비선형 기하학을 준수하도록 보장한다.
   • 정교화 (Refinement): 확산 모델은 제안 생성기(proposal generator) 역할을 한다. 출력된 회로는 게이트 파라미터에 대한 그래디언트 디센트(gradient descent)를 통해 충실도를 극대화하는 최종 로컬 최적화 단계를 거친다.

주요 기여

• 매니폴드 인지 확산 (Manifold-Aware Diffusion): 본 연구는 게이트 파라미터를 유클리드 벡터로 취급하는 대신, 열 커널과 리 대수 탄젠트 공간을 활용하여 $SU(2)$ 기하학을 준수하는 확산 과정을 도입하였다.
• 하드웨어 인지 합성 (Hardware-Aware Synthesis): 프레임워크는 하드웨어 제약(연결성 및 오류율)을 훈련 목적 함수에 명시적으로 포함하여, 모델이 충실도와 구현 비용 사이의 트레이드오프를 학습할 수 있도록 한다.
• 하이브리드 이산-연속 아키텍처: 이산적 스켈레톤 선택과 연속적 게이트 생성을 분리함으로써, 모델은 혼합 구조를 가진 합성 문제의 특성을 해결한다.
• 제어 가능한 솔루션 스타일: 저자들은 확산 사전 확률(diffusion prior)이 타겟 유니터리를 변경하지 않고도 특정 물리적 특성(예: 큰 회전각 대 작은 회전각)을 갖도록 편향된 학습 데이터를 통해 조절될 수 있음을 입증하였다.

결과
모델은 횡단 자기장 이징 모델(TFIM), 하이젠베르크-XXZ 모델 및 다양한 파울리 기반 타겟을 포함한 세 개의 3-큐비트 해밀토니안 시뮬레이션 타겟에 대해 평가되었다.

• 컴파일 성공률: 전체 파이프라인(선택기 + 리 군 확산 + 로컬 정교화)은 다양한 해밀토니안 패밀리에 대해 **75.8%**의 성공률(충실도 $F \ge 0.99$)을 달enc성했다. 이는 Haar-무작위 탐색 베이스라인(65.3%)과 학습된 근사 클리포드(near-Clifford) 사전 확률을 사용한 "생성 탐색" 베이스라인(68.3%)을 모두 능가했다.
• 어블레이션 연구 (Ablation Studies):
  • 정교화의 필요성: 정교화 과정이 없는 확산 모델은 매우 낮은 성공률(8.6%)을 보였으며, Haar-무작위 게이트에서 시작한 정교화 역시 성능이 미달했다. 확산과 로컬 정교화의 결합은 상호 보완적인 것으로 증명되었다: 확산은 기하학을 인지하는 전역적 제안을 제공하고, 정교화는 로컬 고충실도 최적화를 수행한다.
  • 선택기 성능: 학습된 스켈레톤 선택기는 "오라클(oracle)" 스켈레톤(하드웨어 비용 측면에서 최적의 선택)과 75.6%의 일치 정확도를 보였다. 선택기는 로컬 타겟에 대해 불필요한 얽힘을 피하고, 필요한 경우에만 더 깊은 얽힘 템플릿을 선택하는 데 성공했다.
  • 충실도-복잡도 경계: 충실도-비용 랜드스케이프 분석 결과, 선택기가 "첫 번째 성공적인" 복잡도 클래스에 확률을 집중시키는 법을 학습함을 보여주었다(예: 두 경우 모두 충실도 임계값을 만족하더라도 하드웨어 비용이 더 낮은 4-CZ 스켈레톤을 5-CZ보다 우선적으로 선택함).
  • 스티어링 (Steering): 모델은 동일한 타겟에 대해 현저히 다른 총 회전각을 가진 회로를 성공적으로 생성하였으며, 이를 통해 솔루션 스타일의 제어가 가능함을 입증했다.

의의 및 주장
본 논문은 리 군 확산이 하드웨어 인지형 양자 회로 합성을 위한 "자연스러운 생성 프레임워크"를 제공한다고 주장한다. 그 의의는 회로 합성을 양자 게이트의 기저 기하학을 존중하는 제약된 물리적 설계 문제로 취급한다는 점에 있다. 저자들은 이 접근 방식이 단순한 무작위 회로 생성을 넘어, 충실도와 하드웨어 오버헤드 사이의 균형을 맞추는 구조화된 제안 사전 확률을 생성한다고 기술한다. 현재의 연구는 3-큐비트 시스템을 비자명한 테스트베드로 사용하고 있으나, 분리된 선택 및 확산 구성 요소로 이루어진 모듈형 아키텍처는 향후 더 많은 큐비트 수와 더 복잡한 연결성 그래프(예: 2D 그리드 또는 heavy-hex 아키텍처)로 확장 가능하도록 설계되었다. 이 방법은 이산적 선택이 하드웨어 비용에 의해 구동되고, 연속적 생성은 리 군 이론에 근거하는 해석 가능한 머신러닝 접근법을 제공한다.