기술 요약: 개방형 양자 시스템의 자원 제한적 제어 가능성 벤치마킹

문제 정의

양자 기술의 실질적인 구현을 위해서는 유한한 하드웨어 자원과 개방형 시스템 역학 하에서 고충실도(high-fidelity) 연산을 수행해야 한다. 이상적인 폐쇄계 제어 가능성은 이진적인 리 대수(Lie-algebraic) 기준(드리프트 및 제어 해밀토니안이 $\mathfrak{su}(d)$를 생성하는지 여부)에 의해 잘 정의되어 있지만, 이러한 이론적 조건은 실제 장치의 달성 가능한 성능을 예측하는 데 실패한다. 실제 시스템은 결맞음 해제(decoherence), 드리프트, 대역폭 제한, 그리고 비이상적 펄스로 인해 비단위(non-unitary) 역학이 발생하는 개방형 영역에서 작동한다. 또한 노이즈는 종종 부분적으로만 특성화되며, 제어 의존적이고, 잠재적으로 비마르코프(non-Markovian)적일 수 있다.

기존의 개방형 시스템 제어 가능성에 관한 문헌은 특정 모델(예: 마르코프 린드블라드 역학)에 의존하거나, 공학적 질문을 직접적으로 다루지 않는 추상적인 도달 가능성(reachability) 분석에 의존한다. 즉, *고정된 하드웨어로 구현 가능한 제어 펄스 군과 명시적인 자원 제약(예: 진폭 및 대역폭)이 주어졌을 때, 어떤 타겟 연산이 고충실도로 달성 가능한가, 그리고 이러한 능력은 가용 자원에 따라 어떻게 확장되는가?*라는 질문을 다루지 못한다. 순수한 "화이트박스(whitebox)" 물리 모델은 모델링되지 않은 소산(dissipation)으로 인해 고충실도 영역에서 정확도가 떨어지는 경우가 많으며, "블랙박스(blackbox)" 데이터 기반 모델은 진단적 구조가 부족하고 과도한 데이터를 요구한다.

방법론

저자들은 실질적인 제어 가능성을 장치 공학 문제로 취급하는 **자원 제한적 프레임워크(resource-bounded framework)**를 제안한다. 이 접근 방식은 이진적인 도달 가능성 조건을 찾는 대신, 타겟 게이트 앙상블에 대한 최적 달성 가능 충실도의 분포를 정량화한다. 방법론은 네 가지 주요 단계로 구성된다:

1. 그레이박스(Graybox) 모델링:
   프레임워크의 핵심은 훈련된 "그레이박스" 대리 모델(surrogate model)이다. 이 모델은 드리프트 및 제어 해밀토니안($H_0(t)$)에 의해 생성되는 알려진 결맞음 역학을 유지하면서, 프로빙 데이터를 통해 학습된 압축된 제어 의존적 개방계 왜곡($V_O(T)$)을 학습한다.

   • 시스템 역학은 $H_0(t)$에 대한 상호작용 픽처(interaction picture) 내에서 표현된다.
   • 모델은 제어 파라미터 $\vec{\theta}$와 토모그래피적으로 완전한 기저에서의 측정 기대값 벡터 $\vec{E}$ 쌍을 통해 훈련된다.
   • 일단 훈련되면, 이 모델은 물리적 시뮬레이션을 전체적으로 수행할 필요 없이, 훈련된 제어 공간 내의 임의의 파형에 대해 유효한 채널을 예측하는 빠른 룩업 엔진 역할을 한다.

2. 채널 재구성:
   주어진 후보 제어 파형에 대해, 그레이박스 모델은 결맞음 전파자(propagator)와 유효 관측 공간 보정 연산자 집합을 예측한다. 이러한 예측은 고정된 토모그래피 기저에서 구현된 양자 채널의 프로세스 행렬(Choi matrix)을 재구성하는 데 사용된다.

3. 충실도 점수 산정 및 최적화:

   • $N_G$개의 타겟 게이트가 $SU(d)$ 상의 Haar 측도로부터 독립적으로 추출된다.
   • 각 타겟 게이트에 대해, 프레임워크는 제약이 있는 "허용 가능한(admissible)" 펄스 군 내의 모든 파형에 대해 프로세스 충실도를 평가한다.
   • 허용 가능한 군은 명시적인 자원 예산(예: 최대 진폭 $A_{cap}$ 및 대역폭 $B_{cap}$)에 의해 정의된다.
   • 최적 달성 충실도 $F^*_g(A_0)$는 특정 타겟 $g$와 예산 수준 $A_0$에 대해 가능한 모든 제어에 대해 충실도를 최대화함으로써 결정된다.

4. 제어 가능성 지표:
   실질적인 제어 가능성은 Haar 앙상블에 대한 최적 달성 불충실도(infidelity)의 분포를 통해 통계적으로 특징지어진다.

   • 주요 지표는 불충실도 분포의 생존 함수를 적분하여 정의된 면적 기반 요약($CM$)이다.
   • 수학적으로 이는 최적 달성 불충실도의 경험적 분포와 불충실도가 0인 이상적인 점 질량(point mass) 사이의 1-Wasserstein 거리($W_1$)와 같다.
   • 이 지표는 자원 예산 그리드를 가로질러 계산되어 "제어 가능성 표면(controllability surfaces)"을 생성한다.

주요 결과

프레임워크는 세 가지 환경 하에서 유한 차원 배스(bath)에 결합된 구동 큐비트($d=2$)에 대해 수치적으로 입증되었다:

1. 폐쇄계 참조 모델: 이상적인 유니터리 역학.
2. 고전적 노이즈 모델: 확률적 디페이징(dephasing).
3. 결합된 양자-및-고전 노이즈 모델: 소산적 보조 모드와 고전적 디페이징의 결합.

1차원 연구:

• 최적 달성 불충실도의 분포가 진폭 스케일링 및 대역폭(Gaussian 폭) 스케일링에 대해 분석되었다.
• 폐쇄계의 경우 불충실도가 0에서 단계 함수로 수렴하였다($CM \approx 0$), 이는 프레임워크의 타당성을 확인시켜 준다.
• 노이즈가 존재하는 환경에서는 불충실도 분포가 오른쪽으로 이동하였으며, 결합 노이즈 모델이 가장 낮은 성능($A_0$ 스케일링 시 $CM \approx 0.021$)을 보였다.
• 결과는 일관된 순서를 보여주었다: 폐쇄계 > 고전적 노이즈 > 결합 노이즘.

2차원 연구:

• 공동 진폭-대역폭 제어 가능성 표면($CM(A_{cap}, B_{cap})$)은 뚜렷한 저자원–전이–포화(low-resource–transition–saturation) 구조를 드러냈다.
• 저자원: 작은 캡(cap)은 펄스 군을 제한하여 낮은 제어 가능성을 초래한다.
• 전이: 캡이 완화됨에 따라 제어 가능성이 급격히 향상된다.
• 포화: 자원 증가가 추가적인 이득을 가져오지만 한계 효용이 체감된다.
• 노이즈 영향: 노이즈는 전체적인 제어 가능성 수준을 낮출 뿐만 아니라 유용한 영역을 변형시킨다. 결합 노이즈의 경우, 절대적인 성능은 고전적 노이즈의 경우보다 낮음에도 불구하고, 표면이 재형성되어 대역폭 의존성이 저대역폭 영역에 더 집중되도록 만든다.
• 자원 계층 구조: 연구는 진폭이 제어 가능성의 발현을 결정하는 주요 자원 역할을 하는 반면, 대역폭은 충분한 구동 강도가 확보된 후 해당 영역을 정교화하는 보조 자원 역할을 한다는 것을 시사한다.

의의 및 주장

본 논문은 부분적으로 알려지지 않은 개방형 시스템 노이즈가 존재하는 상황에서, 고정된 하드웨어로 구현 가능한 제어 군에 대한 장치 수준의 제어 가능성 개념을 제공한다고 주장한다. 그 의의는 다음과 같다:

1. 패러다임 전환: 이진적인 이론적 도달 가능성에서 정량적인 자원 제한적 성능 분포 평가로 패러다임을 전환한다.
2. 운용적 매핑: 실질적인 제어 가능성을 특정 하드웨어 제약(진폭 및 대역폭)과 달성 가능한 게이트 성능을 연결하는 해석 가능한 "자원 랜드스케이프"(제어 가능성 표면)로 변환한다.
3. 벤치마킹 유용성: 달성 가능한 게이트 충실도의 분포 변화(1-Wasserstein 거리를 통해)를 정량화함으로써 서로 다른 제어 군, 노이즈 환경 또는 하드웨어 구성을 비교할 수 있는 파이프라인을 제공한다.
4. 실무적 관련성: 유한한 제어 자원과 개방형 시스템 노이즈가 게이트 성능을 공동으로 제한함을 입증하며, 고성능 영역에 진입하기 위해 필요한 구체적인 자원 수준을 식별하는 방법을 제시한다.

저자들은 그레이박스 모델이 훈련 영역 내에서만 유효하다는 점(외삽 불가), 대역폭이 명시적 하드웨어 필터가 아닌 Gaussian 폭으로 모델링되었다는 점, 그리고 지표들이 정확한 해석적 기준이라기보다는 유한한 샘플에 대한 수치적 요약이라는 점 등 한계점을 언급하였다. 이 프레임워크는 현실적이고 자원이 제한된 환경에서 제어 능력을 특성화하고 벤치마킹하기 위한 도구로 제시된다.