⚛️ quantum physics

Benchmarking Quantum Simulations of the Lipkin-Meshkov-Glick Model Using Large Tensor Networks

이 논문은 Lipkin-Meshkov-Glick 모델에 대해 잡음이 있는 중간 규모 양자 알고리즘(VQE 및 SQD)의 성능을 대규모 고전적 밀도 행렬 재규격화 군(DMRG) 시뮬레이션과 벤치마킹하여, SQD와 같은 부분 공간 기반 접근 방식이 최대 17개 입자 시스템에 대해 VQE보다 정확도와 잡음 탄력성 사이에서 더 우수한 균형을 제공한다는 것을 밝혀냈다.

원저자: Maggie Bao, Rushil Dandamudi, Jerimiah Wright, Joan Étude Arrow, Henry Zou, Vardaan Sahgal, Brian J. McDermott

게시일 2026-07-31

📖 3 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Maggie Bao, Rushil Dandamudi, Jerimiah Wright, Joan Étude Arrow, Henry Zou, Vardaan Sahgal, Brian J. McDermott

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

거대하고 뒤엉킨 실타래를 풀려고 노력하는 모습을 상상해 보십시오. 물리학의 세계에서 이 '매듭'은 양자 시스템, 즉 서로 상호작용하는 전자나 원자와 같은 미세한 입자들의 집합을 의미합니다. 이 입자들은 우리가 사는 일상 세계의 규칙을 깨뜨리는 듯한 방식으로 서로 작용합니다. 수십 년 동안 과학자들은 이 매듭을 풀기 위해 강력한 슈퍼컴퓨터를 사용해 왔지만, 매듭이 커질수록 수학적 복잡성이 너무 커져서 최고의 고전 컴퓨터조차 땀을 흘리기 시작합니다. 이때 새로운 도전자인 양자 컴퓨터가 등장합니다. 이 기계들은 자신이 시뮬레이션하려는 입자들과 같은 언어를 구사하도록 설계되어, 이론적으로는 이 퍼즐들을 훨씬 더 빠르게 해결할 수 있습니다. 하지만 여기에는 함정이 있습니다. 현재의 양자 컴퓨터는 걸음마를 배우는 걸음마 단계의 아이와 같습니다. 비틀거리고, 넘어지기 쉬우며(노이즈), 몇 걸음도 가기 전에 지쳐버립니다. 우리가 이들을 실제 세상의 문제를 해결하는 데 신뢰하기 전까지, 우리는 그들이 기존의 고전적인 슈퍼컴퓨터와 비교했을 때 실제로 얼마나 뛰어난지 정확히 알아야 합니다. 여기서 '벤치마킹'이 등장합니다. 이것은 새로운 양자 주자들이 기존의 고전적인 챔피언들을 상대로, 과연 자기 발에 걸려 넘어지지 않고 경주를 완주할 수 있는지 확인하기 위해 설정한 엄격한 경주 트랙이라고 생각하면 됩니다.

이 논문은 리프킨-메시코프-글릭(Lipkin-Meshkov-Glick, LMG) 모델이라는 유명한 물리 퍼즐을 사용하여 매우 구체적인 경주 트랙을 설정합니다. 모든 입자가 서로에게 동시에 말을 걸 수 있는 거대한 원형으로 손을 잡고 있는 입자 팀을 상상해 보십시오. 목표는 이 팀이 안착할 수 있는 가장 편안하고 에너지가 낮은 상태인 '바닥 상태(ground state)'를 찾는 것입니다. 연구진은 최대 1,400개의 입자에 대해 이 퍼즐을 풀기 위해 DMRG(밀도 행렬 재규격화 군)라는 영리한 알고리즘을 실행하는 슈퍼컴퓨터를 사용하였고, 이를 통해 거대하고 매우 정확한 '정답지'를 만들어냈습니다. 그런 다음 이 정답지를 가지고 IBM의 실제 노이즈가 있는 양자 컴퓨터에서 실행되는 두 가지 인기 있는 양자 알고리즘(VQE와 SQD)과 비교했습니다.

경주의 결과는 약속과 현실 점검이 섞여 있었습니다. 라디오 채널을 맞추듯 회로를 미세하게 조정하며 답을 추측하는 '변분 양자 고유값 솔버(VQE)'는 매우 작은 입자 그룹(약 6개)에 대해서는 괜찮았지만, 그룹이 커짐에 따라 그 추측이 엉망이 되어 오차가 1% 이상 발생했고 결국 최대 17%까지 벗어났습니다. 이는 초반에는 강하게 출발하지만 금방 보폭을 잃어버리는 러너와 같았습니다. 반면, '샘플 기반 양자 대각화(SQD)' 방식은 이번 경주의 주인공이었습니다. 퍼즐의 가장 중요한 부분들을 샘 sampling 하는 영리한 전략을 사용함으로써, SQD는 약 17개 또는 20개의 입자까지 놀라울 정도로 높은 정확도(0.5% 이내)를 유지했습니다. 이는 현재 세대의 양자 컴퓨터를 고려할 때, 이 특정 '부분 공간(subspace)' 접근 방식이 노이즈가 있는 기계의 제한된 능력과 정확도 사이에서 최적의 균형을 맞추는 가장 좋은 방법일 수 있음을 시사합니다. 그러나 시스템이 너무 커졌을 때(20개 입자 이상), 심지어 SQD조차 벽에 부딪혔습니다. 양자 컴퓨터가 모든 가능성을 다 다루기에는 충분한 '샷(측정 시도 횟수)'을 확보하지 못했기 때문에 정확도가 급락했기 때문입니다.

요컨대, 이 논문은 양자 컴퓨터가 아직 경주에서 승리했다고 선언하는 것이 아닙니다. 대신, 그들이 현재 어디에 서 있는지에 대한 상세한 지도를 제공합니다. 양자 방식이 작은 문제에 대해서는 놀라울 정도로 정확할 수 있지만, 현재는 노이즈와 측정 한계에 의해 강력한 제약을 받고 있음을 보여줍니다. 고전 슈퍼컴퓨터가 만든 1,400개 입자의 거대한 데이터셋은 미래의 양자 컴퓨터가 진정으로 유용하다는 것을 증명하기 위해 반드시 넘어야 할 새로운 표준, 즉 '진리'로서 역할을 합니다. 저자들은 우리가 여전히 기계가 불완전한 '노이즈가 있는 중간 규모 양자(NISQ)' 시대에 머물러 있다고 제안하며, 현재로서는 SQD와 같은 방법이 최선의 균형을 제공하지만, 양자 컴퓨터가 진정으로 고전적인 라이벌들을 능가하기 위해서는 더 큰 시스템을 다룰 수 있는 더 나은 전략이 필요하다고 말합니다.

기술 요약: 대규모 텐서 네트워크를 이용한 리프킨-메슈코프-글릭(Lipkin-Meshkov-Glick) 모델의 양자 시뮬레이션 벤치마킹

문제 정의
양자 컴퓨팅이 성숙해짐에 따라, NISQ(Noisy Intermediate-Scale Quantum) 장치의 실제 문제 해결 성능을 경쟁력 있는 고전적 방법론과 벤치마킹해야 할 결정적인 필요성이 제기되고 있다. 하드웨어 특성(예: 게이트 충실도, 결맞음 시간)은 표준적인 지표이지만, 이는 관심 있는 응용 분야에서의 성능을 완전히 포착하지 못한다. 리프킨-메슈코프-글릭(LMG) 모델은 풍부한 물리적 현상(예: 양자 상전이)을 기술하면서도, 정밀한 수치 해석이 가능한 규모까지는 고전적으로 다룰 수 있어 고정밀 참조 데이터를 생성하기에 이상적인 테스트베드 역할을 한다. 기존의 LMG 모델 양자 시뮬레이션은 하드웨어 제약으로 인해 제한된 시스템 크기에 국한되어 왔다. 본 연구는 VQE(Variational Quantum Eigensolver)와 SQD(Sample-Based Quantum Diagonalization)와 같은 대중적인 NISQ 알고리즘의 정확도와 확장성을 평가하기 위해 대규모 고전적 벤치마크를 구축하는 것을 목표로 한다.

방법론
본 연구는 고성능 고전 컴퓨팅과 NISQ 하드웨어를 활용한 하이브리드 접근 방식을 채택한다:

고전적 벤치마크 (DMRG): 저자들은 LMG 해밀토니안의 바닥 상태 에너지를 계산하기 위해 텐서 네트워크 방법인 밀도 행렬 재정규화 그룹(DMRG) 알고리즘을 사용하였다. 시뮬레이션은 NERSC의 Perlmutter 슈퍼컴퓨터에서 실행되었다. LMG 해밀토니안은 $\epsilon=1$ , $W=0$ , 그리고 변화하는 상호작용 강도 $V$ 를 갖도록 정의되었다. 시스템 크기는 $N=2$ 에서 $N=1400$ 입자까지였으며, 프로파일링 실행은 $N=1550$ 까지 확장되었다. 또한, $N \in [2, 100]$ 및 $V \in [0, 1]$ (0.1 간격)에 대한 위상 다이어그램이 생성되었다.
양자 알고리즘:
- VQE: VQE는 IBM Eagle 양자 프로세서에서 구현되었다. 힐베르트 공간의 지수적 증가를 해결하기 위해, 모델의 대칭성(특히 $W=0$ )을 활용하여 시스템을 집합 스핀 기저(collective spin basis)로 매핑하는 해밀토니안 압축 기법이 적용되었다. 이를 통해 유효 시스템 크기가 축소되었으며, $R_y$ 및 CNOT 게이트로 구성된 더 작은 안사츠(ansatz)를 사용할 수 있었다.
- SQD: 샘플 기반 양자 대각화(SQD) 알고리즘 역시 IBM 프로세서에서 실행되었다. 이 하이브리드 접근 방식은 시스템의 대칭성(고정된 해밍 가중치 패리티)을 반영하는 비트 문자열을 샘플링하기 위해 디케 상태(Dicke state) 회로의 앙상블을 사용하였다. 이 샘플들은 전체 해밀토니안을 축소된 부분 공간으로 투영하는 데 사용되었으며, 이후 고전적으로 대각화되었다. 샘플링된 부분 공간이 대칭성이 제한된 공간을 충실히 나타내도록 하기 위해 대칭 기반 사후 선택(post-selection) 및 비트 플립 교정을 통한 오차 완화가 적용되었다.

주요 기여
본 논문은 양자 벤치마킹 분야에 두 가지 주요 기여를 한다:

대규모 DMRG 데이터셋: 저자들은 문헌상 가장 큰 규모의 LMG 바닥 상태 에너지 데이터셋 중 하나를 생성하여, 최대 1400개 입자에 이르는 시스템에 대한 정확한 참조 값을 제공하였다. 여기에는 상호작용 강도에 따른 상세한 위상 다이어그램이 포함된다.
비교 벤치마킹: 본 연구는 IBM 양자 프로세서 상에서 VQE와 SQD를 DMRG 베이스라인과 엄격하게 비교함으로써, NISQ 시대의 성능 베이스라인을 설정하고 각 방법론의 구체적인 확장성 한계를 식별하였다.

결과

DMRG 성능: DMRG 결과는 높은 신뢰성을 보여주었으며, 소규모 시스템( $N \le 19$ )에서 정밀한 수치 해와 비교하여 99.99% 이상의 정확도를 달ato 달성하였다. 대규모 $N$ 에 대한 에너지 곡선은 매끄럽고 단조적인 스케일링을 보여주어 텐서 네트워크 표현의 수렴을 확인시켜 주었다. 계산상의 병목 지점은 텐서 수축(contraction)보다는 모든 입자 간 상호작용으로 인한 $O(N^2)$ 해밀토니안 구성 단계로 식별되었다.
VQE 성능: VQE는 소규모 시스템( $N=6$ )에서 1% 이내의 오차를 달성하였다. 그러나 시스템 크기가 증가함에 따라 정확도가 급격히 저하되었다. $N \approx 15$ 를 넘어서면서 오차가 1% 임계값을 초과하였고, $N=23$ 에서는 약 17%에 도달하였다. 오차는 꾸준히 증가하였으며, 이는 압축된 힐베르트 공간에서의 고전적 최적화의 어려움을 반영한다.
SQD 성능: SQD는 접근 가능한 영역 내에서 VQE보다 우수한 정확도를 보였다. $N \le 18$ 범위에서 SQD는 1% 미만의 상대 오차(심지어 $N \in [3, 15]$ 에서는 $10^{-12}\%$ 미만)를 달성하여 정밀한 해와 사실상 일치하는 결과를 보였다. 그러나 성능은 샷 예산(106 shots)에 의해 엄격히 제한되었다. 대칭 섹터의 기저 상태 수( $2^{N-1}$ )가 샷 제한(약 $N \approx 20$ )을 초과하자, 오차가 급격히 상승하여 $N=50$ 에서 약 95%에 도달하였다.

의의 및 주장
본 논문은 이러한 결과가 NISQ 시대의 정확도, 회로 깊이, 그리고 노이즈 내성 사이의 뚜렷한 트레이드오프를 강조한다고 주장한다.

부분 공간 기반 접근 방식: 저자들은 대칭 섹터가 가용 샷 예산에 의해 완전히 커버될 수 있다면, SQD와 같은 부분 공간 기반 접근 방식이 정확도와 자원 제약 사이에서 최선의 균형을 맞출 수 있다고 제안한다.
벤치마킹의 필요성: 본 연구는 양자 컴퓨터가 진정한 우위를 입증하기 위해서는 동일한 문제 해밀토니안에 대해 고전적 텐서 네트워크 방법(예: DMRG)의 능력을 능가해야 한다고 단언한다. 생성된 데이터셋은 이러한 목적을 위한 고정밀 참조 자료 역할을 한다.
한계: 본 연구는 SQD가 유망함을 보여주지만, 현재의 확장성은 샷 예산과 회로 깊이에 의해 제한된다는 점을 겸허히 결론짓는다. 마찬가지로 VQE는 안사츠 설계나 초기화 전략의 상당한 개선 없이는 완만한 규모의 시스템 크기를 넘어 확장하는 데 어려움을 겪는다. 저자들은 현재의 구현체가 양자 우위를 가진다고 주장하는 것이 아니라, 현재 NISQ 유용성의 경계를 정의하기 위해 이 데이터를 사용한다.

유사한 논문