Rigorous Time-dependent Hamiltonian Learning via Continuous Weak Measurements

기술 요약: 연속적 약한 측정(Continuous Weak Measurements)을 통한 엄밀한 시간 의존적 해밀토니안 학습

문제 정의
양자 프로세서가 구현하는 해밀토니안을 특성화하는 것은 교정 및 검증을 위해 필수적이다. 정적 시스템을 위한 해밀토니안 학습(Hamiltonian Learning, HL) 프로토콜은 존재하지만, 많은 하드웨어 관련 장치들은 명시적으로 시간 의존적인 생성자(예: 형태가 제어된 펄스, 튜너블 커플러, 플로케 공학 등)를 가지고 작동한다. 기존의 시간 의존적 HL 방법들은 주로 소수의 큐비트 시스템에 국한되어 왔으며, 엄밀한 오차 범위나 확장성 보장이 부족한 휴리스틱 절차에 의존해 왔다. 중심이 되는 과제는 시스템 크기에 따라 파라미터가 기하급수적으로 증가한다는 점이다. 그러나 물리적 해밀토니안은 일반적으로 희소(sparse)하다. 본 연구가 다루는 열린 질문은, 얽힌 프로브 상태(entangled probe states)를 요구하거나 지수적인 오버헤드를 발생시키지 않고도 연속적 약한 측정 데이터를 통해 시간 의존적 해밀토니안을 재구성하기 위해, 정적 HL이 가능하게 했던 국소성(locality)을 확장할 수 있는지 여부이다.

방법론
저자들은 알려진 파울리 문자열(Pauli strings) $W_i$를 갖는 희소 다체 해밀토니안 $H(t) = \sum_{i=1}^r \mu_i(t) W_i$의 시간 의존적 계수 $\mu(t)$를 학습하는 프로토콜을 제안한다. 시스템은 각 큐비트에 대한 국소 관측량(특히 $\sigma_z$)의 연속적 약한 측정을 통해 모니터링되며, 이는 측정 유도 탈동기화(measurement-induced dephasing)를 유발한다.

본 방법론의 핵심은 세 가지 주요 구성 요소로 이루어진다:

1. 약한 측정 기록을 통한 국소 역문제(Local Inverse Problems):
   전역적 역문제를 푸는 대신, 프로토콜은 해밀토니안의 희소성을 활용한다. 모니터링되는 관측량의 방정식을 분석함으로써, 저자들은 측정 기록의 유한 차분(finite differences)과 순시 해밀토니안 계수 사이의 선형 관계를 도출한다. 결정적으로, 국소 관측량 $Z_j$의 진화는 $Z_j$와 교환되지 않는 해밀토니안 항들에 의해서만 결정된다. 이는 각 사이트 $j$에 대해 "활성 이웃(active neighborhood)" $N(j)$를 정의한다. 전역적 재구성은 각 $N(j)$의 계수만을 포함하는 일련의 국소 역문제들로 분해된다.

2. 그래프 채색 프로브 구성(Graph-Coloring Probe Construction):
   국소 역문제를 해결하기 위해서는 프로브 상태가 필요하다. 저자들은 **순수 가분 프로브 상태(pure separable probe states)**가 이러한 역전(inversion)을 초기화하는 데 충분함을 입증한다. 그들은 국소 프로브를 전역 준비 과정에 임베딩하기 위한 그래프 이론적 구성을 도입한다:

   • 활성 이웃 그래프가 구축되는데, 여기서 정점은 국소 역문제(이웃)를 나타내고 간선은 물리적 지지(support)가 겹치는 이웃들을 연결한다.
   • 이 그래프의 **그래프 채색(graph coloring)**은 이웃들을 서로 겹치지 않는 집합(색상 클래스)으로 분할하여 동시에 처리할 수 있게 한다.
   • 이를 통해 특정 색상 클래스의 모든 이웃을 병렬로 다룰 수 있는 전역 가분 곱 상태(global separable product state)를 구성할 수 있다. 필요한 전역 프로브 구성의 수는 전체 시스템 크기 $n$이 아니라 국소 상호작용 차수 $D$에 따라 스케일링되는 활성 이웃 그래프의 채색수(chromatic number)에 의해 제한된다.

3. 반복적 상태 업데이트 및 오차 분석:
   프로토콜은 반복적으로 작동한다. 각 시간 단계 $t_k$에서:

   • 국소 계수는 현재 상태 추정치와 측정 기록으로부터 유도된 무어-펜로즈 유사 역행렬(Moore–Penrose pseudoinverse)을 사용하여 추정된다.
   • 추정된 해밀토니안은 유효 마스터 방정식(측정 백액션 포함)을 통해 다음 시간 단계로 프로브 상태 추정치를 전파하는 데 사용된다.
   • 저자들은 통계적 노이즈(궤적의 유한 샘플링에서 기인)와 결정론적 편향(오일러 이산화 및 상태 업데이트 누적에서 기인)을 명시적으로 분리하는 엄밀한 오차 범위를 도착한다.

주요 기여

• 국소성을 통한 확장성: 프로토콜은 시간 의존적 해밀토니안의 전역 재구성을 국소 역문제로 축소한다. 필요한 프로브 구성의 수는 전체 시스템 크기 $n$이나 전체 해밀토니안 항의 수가 아니라, 국소 상호작용 연결성($D$)에 따라 스케일링된다.
• 가분 프로브: 본 연구는 얽힌 프로브 상태가 필요하지 않으며, 순수 가분 상태만으로도 국소 역전(local inversions)을 초기화하기에 충분함을 증명한다.
• 엄밀한 오차 범위: 논문은 명시적인 $\ell_2$ 재구성 오차 범위와 샘플 복잡도 정리를 제공한다. 이 범위들은 통계적 오차(더 많은 궤적을 늘림으로써 줄일 수 있는 것)와 결정론적 편향 바닥(시간 단계 크기와 반복적 전파에 의해 내재된 것)을 명확히 구분한다.
• 그래프 이론적 프레임워크: 희소 다체 시스템을 위한 프로브 준비 오버헤드를 최소화하기 위해 그래프 채색을 사용하는 체계적인 방법을 사용한다.

결과
프로토콜은 최대 $n=8$ 큐비트를 가진 시간 의존적 횡방향 장 이징 모델(TFIM) 체인에 대해 수치적으로 검증되었다.

• 재구성 정확도: 이 방법은 국소 장(local fields)과 최근접 이웃 결합(nearest-neighbor couplings)에 대한 전체 시간 의존적 계수 궤적을 성공적으로 회복하였다.
• 프로브 앙상블 비교: 수치 시뮬레이션은 최소 그래프 채색 앙상블($S=9$ 프로브)을 과잉 완비된 파울리 고유상태 앙상블($S=36$ 프로브)과 비교하였다. 최소 앙상블은 짧은 시간 창에서는 잘 작동했으나, 과잉 완비된 앙상블은 더 긴 재구성 창 동안 측정 유도 탈동기화에 대해 우수한 안정성과 강건성을 보여주었으며, 이는 준비 비용과 안정성 사이의 트레이드오프를 강조한다.
• 샘플 복잡도 스케일링: 수치 결과는 이론적 예측을 확인해주었다. 통계가 지배적인 영역에서 재구성 오차는 대략 $N_{tot}^{-\alpha}$ (여기서 $\alpha \approx 0.4$)로 스케일링되었다. 궤적의 수가 증가함에 따라, 오차는 결정론적 적분 오차에 의해 결정되는 "편향 바닥"에서 포화되었으며, 이는 도출된 범위와 일치한다. 또한 오차는 이론적 범위의 $\sqrt{n}$ 의존성과 일치하게 시스템 크기에 따라 아선형(sublinear) 스케일링을 보였다.

의의 및 주장
저자들은 연속적 모니터링을 사용하는 희소 다체 시스템에서의 시간 의존적 해밀토니안 학습을 위한 엄밀한 토대를 구축했다고 주장한다. 그 의의는 다음과 같다:

1. 확장성 확장: 정적 해밀토니안에 적용되었던 국소성 원리가 연속적 약한 측정으로부터의 시간 의존적 재구성 복잡도를 제어함을 증명한다.
2. 실험적 실현 가능성: 가분 프로브 상태와 국소 약한 측정에 대한 의존성은 본 프로토콜이 근접-현재 아날로그 플랫폼 및 클라우드 접근 가능한 양자 프로세서(설계된 약한 측정을 통해)와 호환됨을 의미한다.
3. 이론적 명확성: 통계적 오차와 결정론적 오차의 분리는 반복적 학습 프로토콜의 한계를 이해하는 데 있어, 특히 시간 단계 해상도와 노이즈 증폭 사이의 트레이드오프를 이해하는 데 명확한 프레임워크를 제공한다.

논문은 현재의 구현이 1차 오일러 업데이트를 사용하고 있지만, 본 프레임워크가 더 풍부한 기하학적 구조, 프로브 앙상블(잠재적으로 얽힌 앙상블 포함), 그리고 열린 계 생성자로 자연스럽게 확장될 수 있음을 결론짓는다. 다만, 이러한 구체적인 확장은 향후 과제로 남겨두었다.