Simulation of Lindbladian dynamics via adaptive variational quantum trajectory compression

기술 요약: 적응형 변분 양자 궤적 압축을 통한 린블라디안 역학 시뮬레이션

문제 정의
노이즈가 있는 중규모 양자(NISQ) 장치에서 개방형 양자 시스템의 양자 시뮬레이션은 두 가지 주요 장애물에 직면해 있다: 비유니터리(non-unitary) 성격의 소산 역학(dissipative dynamics)과 가용 양자 자원, 특히 회로 깊이 및 큐비트 수의 엄격한 제한이다. 기존의 린블라디안 역학 시뮬레이션 방법들은 종종 확장된 힐베르트 공간에 비유니터리 진화를 임베딩하는 방식(보조 큐비트를 요구함)이나, 여전히 깊은 회로나 복잡한 사후 처리를 필요로 하는 궤적 앙상블으로 역학을 분해하는 방식에 의존한다. 변분 양자 알고리즘(VQA)은 폐쇄계 역학에 대해서는 유망함을 보여주었으나, 보조 큐비트의 필요성, 증가하는 회로 깊이, 그리고 고전적 사후 처리 과정에서의 오차 누적으로 인해 개방형 시스템에 적용하는 데 어려움이 있다.

방법론
저자들은 컴팩트한 수반 채널(adjoint channel) 표현과 적응형 변분 양자 궤적 압축 프레임워크를 결다한 자원 효율적이고 보조 큐비트가 필요 없는(ancilla-free) 알고리즘을 제안한다.

1. 컴팩트한 수반 채널 구축:
   파울리 소산($P_k \in \{I, X, Y, Z\}^{\otimes n}$)을 갖는 개방형 시스템에 대해, 저자들은 목표 소산 역학을 $O(\delta t^2)$의 오차 척도로 근사하는 혼합 유니터리 수반 채널을 유도한다. 이 새로운 채널은 이전의 공식들과 달리, 타겟 진화가 직접적으로 확률적 유니터리 연산자의 혼합체로 근사되도록 설계되었다:
   $$\mathcal{A}(\rho) = \sum_{k=0}^{D} p_k U_k \rho U_k^\dagger$$
   여기서 $U_0$는 재조정된 해밀토니안 진화($e^{-iH\Delta t}$)를 나타내며, $U_{k>0}$는 파울리 소산 연산자이다. 확률 $p_k$는 정규화를 보장하도록 유도된다. 이러한 구조는 보조 큐비트 없이도 몬테카를로 샘플링을 통해 역학을 시뮬레이션할 수 있게 한다.

2. 적응형 변분 양자 궤적 압축:
   장기 시뮬레이션 시 '노점(no-jump)' 연산자 $U_0$의 반복 적용으로 발생하는 회로 깊이 병목 현상을 해결하기 위해, 저자들은 압축 전략을 도입한다.

• 학습(Training): 일련의 깊이 적응형 매개변수 양자 회로(PQC), 즉 $U(\theta_s)$는 $s$-단계 해밀토니안 진화인 $(U_0)^s$를 근사하도록 학습된다.
• 학습 전략: 두 가지 전략이 탐구된다:
  • 직접 학습(Direct Training): PQC를 정확한 $(U_0)^s$에 대해 직접 학습시킨다.
  • 반복 학습(Iterative Training): 단계 $s$에 대한 PQC를 이전 단계의 학습된 회로와 단일 단계 $U_0$의 곱(즉, $U(\theta_{s-1})U_0$)에 대해 학습시켜, 학습 중 타겟 회로의 깊이를 줄인다.
• 손실 함수(Loss Function): 힐베르트-슈미트 테스트에 필요한 보조 큐비트의 필요성을 피하기 위해, 저자들은 기저 샘플링 손실 함수를 활용한다. 이는 유한한 기저 상태 집합에 대해 PQC와 타겟 유니터리 사이의 일치도를 평가하며, 하드웨어 친화적이다.
• 압축(Compression): 샘플링된 궤적 내에서 연속적인 $U_0$ 블록들이 식별되고, 이들이 학습된 PQC $U(\theta_s)$로 교체된다. 이를 통해 궤적 구조를 유지하면서 회로 깊이를 크게 줄인다.

3. 시뮬레이션 프로토 протокол:
   알고리즘은 수반 채널의 확률 분포에 따라 궤적을 샘플링하며 진행된다. 각 궤적은 이후 $U_0$ 세그먼트를 학습된 PQC로 교체함으로써 압축된다. 마지막으로, 압축된 궤적 앙상블에 대한 측정 결과들을 평균 내어 관측량의 기댓값을 추정한다.

주요 기여

• 보조 큐비트가 필요 없는 수반 채널: 이전 연구들에서 발견되는 고전적 사후 처리 단계를 제거하여 오차 증폭을 줄이는, 안정적이고 컴팩트한 혼합 유니터리 수반 채널을 유도하였다.
• 깊이 적응형 압축: 샘플링된 궤적 내에서 반복되는 해밀토니안 진화 블록을 압축하기 위해 변분 양자 컴파일링을 사용하는 프레임워크를 도입하여, NISQ 장치의 회로 깊이 제한 문제를 직접적으로 해결하였다.
• 하드웨어 효율적 학습: 기저 샘플링 손실 함수와 반복 학습 전략을 제안하여, 보조 큐비트 없이도, 그리고 감소된 타겟 회로 깊이 내에서도 압축 학습이 가능하게 하였다.
• 구조적 통합: 파울리 소산의 특성(빈번한 노점 세그먼트 발생)과 변분 압축 기술을 결려 어떻게 개방형 시스템 알고리즘과 근접한 하드웨어 구현 사이의 간극을 메울 수 있는지 입증하였다.

결과
저자들은 국소적 디페이징(local dephasing) 하에서의 도메인 벽 상태의 용해(melting)를 모델링하는 소산적 양자 $XY$ 모델의 수치 시뮬레이션을 통해 방법을 검증하였다.

• 정확도: 유도된 수반 채널의 확률적 샘플링은 정확한 린블라디안 역학 및 결정론적 크라우스 채널 결과를 성공적으로 재현하였다. 샘플링 오차는 궤적의 수 $M$에 따라 $O(1/\sqrt{M})$으로 스케일링되었다.
• 압축 효율: 변분 압축은 회로 깊이를 크게 줄였다. 시뮬레이션 시간 $T=10$, $M=128$개의 궤적에 대해, "직접" 교체 전략은 평균 단일 큐비트 및 2-큐비트 게이트 수를 약 43% 감소시켰다.
• 트레이드오프: 반복 학습 전략은 타겟 회로의 깊이를 줄여주지만, 압축 길이($s_{max}$)가 증가함에 따라 누적된 근사 오차를 유발한다는 것을 보여주었다. 그러나 이러한 오차에도 불구하고, 압축된 궤적은 물리적 역학에 대한 높은 충실도를 유지하였으며, 직접 전략이 테스트된 시나리오에서 정확도와 자원 절감 사이의 최적의 균형을 제공함을 확인하였다.

의의 및 주장
본 논문은 근접한 양자 하드웨어에서 개로(open system)의 시뮬레이션을 위한 보조 큐비트가 필요 없고 깊이가 감소된 실질적인 경로를 제공한다고 주장한다. 저자들은 이 접근 방식이 다음과 같은 이유로 NISQ 시대에 특히 적합하다고 강조한다:

1. 팽창 기반(dilation-based) 방법의 확장성 문제인 보조 큐비트 문제를 제거한다.
2. 궤적 구현에 필요한 회로 깊이를 줄임으로써 하드웨어 노이즈의 영향을 완화한다.
3. 적절한 압축 길이와 학습 전략을 선택함으로써 알고리즘 정확도(이산화 오차)와 하드웨어 노이즈 사이의 트레이드오프를 관리할 수 있는 유연한 프레임워크를 제공한다.

저자들은 더 높은 차수의 채널 구성이 존재하지만, 이들은 종-종 이 특정 압축 기법에 적용하기 어려운 더 복잡한 궤적 구조를 초래한다는 점을 겸허히 언급하였다. 따라서 현재의 장치들을 위해서는, 더 높은 차수의 구성보다 더 실용적인 솔루션으로서, 더 낮은 차수이지만 컴팩트하고 보조 큐비트가 필요 없는 깊이 감소 알고리즘이 제시된다. 본 연구는 물리적으로 구조화된 수반 채널 표현과 변분 궤적 압축을 결합하는 것이 실제적인 다체 개방형 양자 시스템을 시뮬레이션하기 위한 유효한 경로임을 시사한다.