An efficient algorithm for approximate shadow Hamiltonian simulation

문제 정의
다체 양자계의 실시간 역학 시뮬레이션은 응집 물질 물리학에서 양자 화학에 이르기까지 다양한 분야의 핵심 과제입니다. 텐서 네트워크나 파울리 전파(Pauli propagation)와 같은 고전적 기법들은 엔탱글먼트(entanglement)의 급격한 증가로 인해 병목 현상에 직면합니다. 양자 알고리즘이 잠재적인 해결책을 제시하지만, 대부분의 기존 접근 방식(예: 곱 공식, 변분법)은 $N$개의 큐비트로 구성된 $N$-큐비트 양자 상태를 물리적 레지스터에 직접 인코딩하는 것에 의존합니다.

참조 [41]에서 소개된 섀도 해밀토니안 시뮬레이션(Shadow Hamiltonian simulation)은 해밀토니안과의 교환자(commutator)로 생성되는 대수(algebra) 내 연산자들의 기댓값으로 정규화된 벡터로 양자 상태를 인코딩함으로써 대안을 제시합니다. 이는 비상호작용 시스템에서는 대수가 다항식 수준으로 성장하기 때문에 효율적이지만, 상호작용하는 시스템에서는 비실용적이 됩니다. 이러한 경우, 불변성(invariance) 성질을 정확하게 만족시키기 위해 필요한 대수는 시스템 크기($N$)에 따라 지수적으로 성장하며, 이로 인해 "섀도 상태(shadow state)"를 인코딩하기 위해 최대 $2^N$개의 큐비트가 필요하게 됩니다. 이러한 지수적 스케일링은 물리적으로 유의미한 모델들에 대한 양자 우위의 잠재력을 무효화합니다.

방법론
저자들은 근사적 섀도 해밀토니안 시뮬레이션을 위한 효율적인 알고리즘을 제안합니다. 핵심 아이디어는 전체 대수를 인코딩하는 대신, 특정 타겟 관측량에 가장 관련이 깊은 연산자 집합만을 체계적으로 식별하고 유지하는 것입니다. 이는 루트 관측량(root observable) $\bar{O}$로부터 시작하여 절단된(truncated) 직교 정규 연산자 기저 $S_{\bar{O}}$를 구축하는 "연산자 프루닝(operator pruning)"을 통해 달성됩니다.

논문은 절단된 기저를 구축하기 위한 세 가지 뚜렷한 프루닝 기법을 소개합니다:

1. 사전 정의된 기저 (그래프 기반): 이 방법은 사전 정의된 직교 정규 기저(예: 파울리 문자열)의 연산자를 정점으로 하는 가중치 레이어 그래프를 구축합니다. 간선은 교환자 슈퍼 연산자 $A_H(\cdot) = [H, \cdot]$의 작용을 나타냅니다. 정점은 루트 관측량에 대한 중요도를 정량화하는 누적 가중치 임계값 $\epsilon$을 기준으로 유지됩니다. 이 접근 방식은 섭동적 해밀토니안($H = H_0 + \xi H_1$)에서 특히 효과적이며, 여기서 임계값은 다이슨 급수(Dyson series)의 절단 차수에 해당합니다.

2. 크릴로프 기저 (연산자 란초스): 이 접근 방식은 연산자 란초스(operator Lanczos) 알고리즘을 사용하여 크릴로프 부분 공간을 반복적으로 구축합니다. 이전의 직교 정규 연산자에 교환자 슈퍼 연산자를 적용하고 그 결과를 직교화함으로써 새로운 연산자를 생성합니다. 곱 형태의 절단 기준을 사용하여, 직교 성분들의 노름(norm)의 곱이 임계값 $\epsilon$ 미만으로 떨어질 때 반복을 종료합니다. 이 방법은 적응적으로 가장 관련 있는 연산자를 찾아내지만, 상호작용하는 시스템에서 크릴로프 벡터를 희소 기저(예: 파울리 문자열)로 표현할 때 발생하는 지수적인 클래식 메모리 비용 문제로 어려움을 겪습니다. 즉, 벡터가 점진적으로 조밀해집니다.

3. 하이브리드 접근 방식: 순수 크릴로프 방식의 메모리 스케일링 문제를 극복하기 위해, 저자들은 하이브리드 기법을 제안합니다. 먼저, 사전 정의된 기저 방식을 사용하여 시스템 크기에 따라 다항식으로 스케일링되는 프루닝된 연산자 집합 $S_{\bar{O}}$를 식별합니다. 그 후, 이 제한된 부분 공간 내에서 크릴로프 기저를 구축합니다. 이를 통해 크릴로프 벡터가 $S_{\bar{O}}$의 요소들만 포함하도록 하여 희소성을 유지하면서도, 란초스 절차의 적응적 효율성을 누릴 수 있습니다.

주요 기여

• 알고리즘 프레임워크: 본 논문은 지수적인 큐비트 오버헤드 병목 현상을 극복하여, 상호작용하는 다체 시스템으로 섀도 해밀토니안 시뮬레이션을 확장하는 제어된 근사 프레임워크를 제시합니다.
• 프루닝 기법: 클래식 전처리 비용과 필요한 양자 레지스터 크기 사이의 균형을 맞추는 세 가지 실행 가능한 프루닝 방법(사전 정의, 크릴로프, 하이브리드)의 개발 및 비교를 수행합니다.
• 확장성: 특정 격자 모델에 대해, 섀도 레지스터의 크기가 물리적 시스템 크기가 증가함에 따라 포화됨을 입증하여, 고정된 수의 큐비트로 임의의 큰 시스템을 시뮬레이션할 수 있음을 보여줍니다.
• 다양성: 이 프레임워크는 국소 관측량(예: 자화율)뿐만 아니라 스핀 전류 자기 상관 함수 및 OTOC(out-of-time-ordered correlators)를 포함한 고차 상관 함수까지 처리할 수 있음을 보여줍니다.

결과
알고리즘은 1D 및 2D 격자 스핀 모델에 대해 벤치마킹되었습니다:

• 1D 혼합 자기장 이징 모델 (MFIM): 적절한 횡자기장이 있는 시스템에 대해, 저자들은 100-큐비트 물리 시스템의 자화 역학을 단 10개의 큐비트 섀도 레지스터만으로 추적할 수 있음을 입증했습니다. 하이브리드 방법은 정확도를 사전 정의된 기저 방식과 유사하게 유지하면서 12-스핀 시스템에 대한 요구 사항을 7개 큐비트로 더욱 줄였습니다.
• 2D MFIM: 이 방법은 16-스핀($4 \times 4$) 시스템의 자화 역학을 사전 정의된 기저로는 14-큐비트 레지스터를, 하이브리드 방법으로는 7-큐비트를 사용하여 성공적으로 시뮬레이션하였으며, 물리적 시스템 크기에 비해 상당한 자원 절감을 보여주었습니다.
• 종방향 자기장 XXZ 모델: 이 접근 방식은 스핀 수송(스핀 전류 자기 상관 함수 계산) 및 양자 카오스(OTOC 계산)에 적용되었습니다. 하이브리드 방법은 크릴로프 벡터의 효율적인 저장을 가능하게 하여 메모리 오버헤드를 줄였습니다.
• 정확도: 정확한 대각화(exact diagonalization)와의 수치적 비교를 통해, 프루닝된 섀도 시뮬레이션이 탄성 영역에서의 확산 계수 스케일링과 카오스 시스템에서의 특징적인 지수적 OTOC 성장 등 역학을 정확하게 포착함을 확인했습니다.

의의 및 주장
본 논문은 섀도 해밀토니안 시뮬레이션의 주요 병목 현상을 제거하여, 상호작용하는 시스템에 대해 실질적으로 유의미한 양자 알고리즘을 만든다고 주장합니다. 근사적으로 닫힌 대가(algebra)에 상태를 인코딩함으로써, 이 방법은 시간 진화를 위해 필요한 큐비트 레지스터 크기를 획기적으로 줄이는 "스핀-벡터 표현(spin-vector representation)"을 제공합니다.

저자들은 자신들의 접근 방식이 (라이트 콘 전파 방식과 달리) 동적 캘리브레이션 없이 섀도 해밀토니안을 구축하는 체계적인 방법을 제공하며, (일부 텐서 네트워크 방식과 달리) 2D 및 3D 모델로 자연스럽게 일반화될 수 있음을 강조합니다. 주요 목표는 양자 시뮬레이션이지만, 저자들은 클래식 전처리 알고리즘이 섀도 해밀토니안의 차원과 구조에 따라 역학을 위한 클래식 시뮬레이션 기법으로도 기능할 수 있다고 언급했습니다. 이 연구는 특정한 작은 매개변수를 가진 모델의 경우 프루닝이 매우 효율적일 수 있음을 시사하지만, 그 효과는 특정 모델과 관측량의 선택에 따라 달라집니다.