Representational separation between unitary and channel quantum generative models via shared classical randomness at shallow depth

기술 요약: 공유된 고전적 무작위성을 통한 표현력의 분리

문제 정의
근시점의 양자 하드웨어는 양자 생성 모델에 엄격한 제약을 가하며, 특히 회로 깊이(circuit depth)를 제한하고 기하학적으로 국소적인 연결성(geometrically local connectivity)을 강제한다. 이러한 제약은 얕은 깊이의 유니터리 본 모델(unitary Born models)이 멀리 떨어진 큐비트 사이에 장거리 상관관계를 형성하는 것을 방해하는데, 이는 정보 전파가 유한한 광원(light cones) 내로 국한되기 때문이다. 채널 모델(channel models)과 같은 확률적 요소(stochasticity)를 도입하는 것이 제한된 소규모 아키텍처에서 경험적 성능과 표현력을 향상시킨다는 점은 밝혀졌으나, 공유된 고전적 무작위성(shared classical randomness)이 임의의 크기를 가진 시스템에 대해 순수 유니터리 얕은 깊이 모델보다 엄격하게 확장 가능한, 증명 가능한 표현력의 분리(representational separation)를 제공할 수 있는지 여부는 여전히 미해결 과제로 남아 있었다. 구체적으로, 회로 깊이를 늘리거나, 장거리 얽힘 게이트를 추가하거나, 적응형 중간 회로 측정(adaptive mid-circuit measurements)을 활용하지 않고도 출력 분포의 패밀리를 엄격하게 확장할 수 있는가?

방법론
저자들은 얕은 연결성을 가진 얕은 유니터리 회로에 공유된 고고적 무작위성을 결합한 "최소 상관 채널 모델(minimal correlated channel model)"을 제안한다.

1. 모델 구성: 이 모델은 표준적인 얕은 유니터리 회로(예: 1D 브릭월 아키텍처)와 그 뒤를 잇는 계산 기저 측정(computational-basis measurements)으로 구성된다. 중간 레이어는 공간적으로 떨어진 큐비트들의 부분집합 $M$에 작용하는 스토캐스틱 파울리 스트링 $P^s_M = \bigotimes_{j \in M} P^s_j$에 의해 확장된다.
2. 공유 무작위성 메커니즘: 이 파울리 스트링의 적용은 단일하게 샘플링된 고전적 무작위 비트 $s \sim \text{Bernoulli}(p)$에 의해 제어된다. 만약 $s=1$이면 파울리 스트링이 적용되고, $s=0$이면 생략된다. 이를 통해 단일 클래식 변수에 의해 서로 떨어진 큐비트 상의 로컬 파울리 연산들이 결합되어 적용되는 상관된 채널이 생성된다.
3. MBQC 구현: 논문은 이러한 공유된 무작위성이 측정 기반 양자 컴퓨팅(MBQC)에서 자연스럽게 발생함을 보여준다. 변분적 MBQC(VMBQC)에서 측정 결과는 본질적으로 무작위적이다. 공유된 클래식 제어 변수를 바탕으로 측정 유도 파울리 바이프로덕트(byproduct)를 교정할지, 유지할지, 혹은 반대로 교정할지를 적응적으로 선택함으로써, 추가적인 양자 자원 없이도 요구되는 상관된 스토캐스틱 채널을 네이티브하게 구현할 수 있다.
4. 학습 프레임키: 모델은 타겟 분포를 근사하기 위해 최대 평균 불일치(Maximum Mean Discrepancy, MMD) 손실 함수를 사용하여 훈련된다. 연구는 순수 유니터리 모델과 공유 무작위성 채널 모델 간의 학습 성능을 비교한다.

주요 기여

1. 증명 가능한 표현력 분리: 본 논문은 얕은 깊이 $D$에 대해 $P_{\text{unit}}(D) \subsetneq P_{\text{ch}}(D)$라는 엄격한 포함 관계를 확립한다. 저자들은 채널 모델이 생성하는 출력 분포 중, 동일한 깊이의 유계 차수 로컬 아키텍처를 가진 그 어떤 유니터리 모델로도 재현할 수 없는 분포가 존재함을 증명한다.
2. 깊이 하한선: 1차원 인접 이웃 아키텍처에 대해, 저자들은 채널 모델이 생성하는 장거리 상관관계를 순수 유니터리 모델로 재현하려면 상관된 영역 사이의 거리에 비례하여 선형적으로 증가하는 회로 깊이 $D = \Omega(\text{dist}(a,b))$가 필요함을 보여준다. 시스템 크기 $N$에 대한 최악의 경우, 이는 채널 모델이 상수 수준의 얕은 깊이에서 달성하는 것과 달리 유니터리 모델은 $\Omega(N)$의 깊이 요구량을 가짐을 의미한다.
3. 분리의 메커니즘: 이 분리는 측정 결과에 대한 단순한 고전적 후처리 때문이 아니다. 대신, 공유된 무작위성은 중간 레이어의 비클리포드(non-Clifford) 회전 각도에서의 상관된 부호 반전(sign flips)을 인코딩한다. 이러한 각도 반전은 회로 역학을 비자명하게 변화시켜, 얕은 유니터리 회로의 분리된 광원(disjoint light cones)이 접근할 수 없는 장거리 상관관계를 최종 확률 분포에 생성한다.
4. MBQC 통합: 이 연구는 이러한 이론적 구조를 VMBQC에 구체적으로 매핑하여, "공유된 무작위성"이라는 자원이 바이프로덕트 교정을 조율하기 위한 클래식한 협업임을 보여준다. 이는 추가적인 양자 하드웨어 오버헤드를 요구하지 않는다.

결과

• 분석적 결과: 정리 4(Theorem 4)는 $N \ge 6$인 1D 브릭월 회로에 대해, 멀리 떨어진 $a$와 $b$에 작용하는 단일 스토캐스틱 파울리 스트링을 가진 채널 모델이 유니터리 모델의 깊이가 $D < \text{dist}(a,b)/4$인 그 어떤 분포로부터도 $\delta^*$만큼 먼(전 변동 거리 기준) 분포 $Q^*$를 생성할 수 있음을 공식적으로 입증한다.
• 수치적 결과: "브랜치 피크 혼합(branch-peaked mixture)" 분포(000000과 111111에 피크가 있는 두 분포의 혼합)를 근사하도록 훈련된 6-큐비트, 깊이-2 아키텍처 실험에서, 상관된 채널 모델은 유니터리 베이스라인에 비해 현저히 낮은 MMD 손실을 달성하고 무작위 초기화에 따른 분산이 적음을 보여주었다. 채널 모델은 타겟 분포를 성공적으로 학습한 반면, 유니터리 모델은 타겟에 내재된 장거리 상관관계를 포착하는 데 어려움을 겪었다.

의의 및 주장
저자들은 이 결과가 고전적 계산에 대한 양자 우위를 주장하는 것이 아님을 명시한다. 핵심적인 의의는 동일한 얕은, 로컬 양자 자원 제약 하에 있는 두 클래스의 양자 생성 모델 간의 표현력 분리를 확립하는 데 있다.

• 자원 효율성: 추가되는 자원은 "공유된 고전적 무작위성"이며, 이는 얽힘 이론 관점에서 상대적으로 약한 자원이며 구현하기에 "클래식하게 저렴한" 자원으로 묘키된다.
• 하드웨어적 함의: 연결성이 제한된 하드웨어(예: 초전도 큐비트 또는 중성 원자와 같은 인접 이웃 방식)의 경우, 이 접근법은 깊은 회로(배리언트 플래토 문제를 야기함)나 장거리 게이트 없이도 장거리 상관관계를 생성하는 방법을 제공한다.
• MBQC 관련성: MBQC 구현에서 이 자원은 더욱 자연스럽다. 무작위성은 측정 과정에 내재되어 있으며, 바이프로덕트 유지를 조율하기 위한 클래식 피드포워드 로직만을 필요로 한다.

결론적으로, 공유된 고전적 무작위성은 구조화된 방식으로 로컬 연산을 조율할 때, 얕은 깊이에서 진정한 표현력의 이점을 제공하며, 동일한 아키텍처 제약 조건 하에서 순수 유니터리 진화만으로는 도달할 수 없는 출력 분포 패밀리를 엄격하게 확장한다.