⚛️ quantum physics

Qudit-ADAPT-VQE: an adaptive variational algorithm with counterdiabatic-inspired improvements for qudits

이 논문은 Max 3-Cut 문제를 해결하기 위해 효율적인 안사츠(ansatz)를 구축하고자 카운터다이아바틱(counterdiabatic)에서 영감을 얻은 연산자 풀과 웜 스타트(warm-start) 전략을 활용하는 큐디트용 적응형 변분 알고리즘인 Qudit-ADAPT-VQE를 소개하며, 이를 통해 고정된 안사츠 방식에 비해 더 높은 정확도, 더 낮은 게이트 수, 그리고 바렌 플래토(barren plateau)에 대한 개선된 강건성을 달성한다.

원저자: Joaquín Molina, Herbert Díaz-Moraga, Dardo Goyeneche, Diego Tancara

게시일 2026-08-18

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Joaquín Molina, Herbert Díaz-Moraga, Dardo Goyeneche, Diego Tancara

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

유용한 양자 컴퓨터를 구축하기 위한 경쟁 속에서, 과학자들은 오랫동안 큐비트(qubit)라고 불리는 기본적인 빌딩 블록에 의존해 왔습니다. 큐비트를 테이블 위에서 회전하는 동전처럼, 꺼져 있거나 켜져 있거나, 혹은 두 상태가 섞인 기묘한 중첩 상태에 있을 수 있는 작은 스위치라고 생각해보십시오. 이러한 이진적 특성은 고전 컴퓨터의 0과 1을 반영하며, 큐비트를 이 분야의 표준 언어로 만듭니다. 하지만 단 하나의 동전이 두 개의 면만을 보여줄 수 있는 것처럼, 큐비트는 두 가지 상태로 제한됩니다. 반면 자연은 훨씬 더 많은 가능성을 가진 시스템을 제공합니다. 예를 들어, 회전하는 팽이는 단지 두 방향이 아니라 여러 다른 방향을 가리킬 수 있습니다. 양자 세계에서 이러한 다중 상태 시스템은 큐디트(qudit)라고 알려져 있습니다. 큐비트 대신 큐디트를 사용하는 것은 연구자들이 더 적은 수의 입자에 더 많은 정보를 담을 수 있게 하여, 잠재적으로 양자 컴퓨터를 더 작고, 효율적이며, 항목을 단순히 두 개가 아닌 세 개 이상의 범주로 나누는 것과 같은 특정 유형의 복잡한 문제에 더 적합하게 만들 수 있습니다.

이러한 고급 시스템의 과제는 제어하기가 매우 어렵다는 점입니다. 과학자들이 양자 컴퓨터가 문제를 해결하도록 프로그래밍하려고 할 때, 종종 변분 알고리즘(variational algorithm)이라고 불리는 방법을 사용합니다. 이 과정은 라디오 주파수를 맞추는 것과 비슷합니다. 컴퓨터는 해결책을 추측하고, 그것이 정답에 얼마나 근접했는지 확인한 다음, 더 나은 값을 얻기 위해 설정을 조정합니다. 문제는 시스템이 커질수록 신호가 종종 잡음에 묻혀 버린다는 것입니다. 조정 폭이 너무 미세해져서 컴퓨터가 어느 방향으로 다이얼을 돌려야 할지 알 수 없게 되는데, 이를 '배린 플레이토(barren plateau, 척박한 고원)' 현상이라고 합니다. 게다가, 컴퓨터가 좋지 않은 추측에서 시작하면, 최선의 해결책을 찾았다고 생각하지만 실제로는 그저 평범한 수준의 해결책을 찾은 것에 불과한 국소적 함정(local trap)에 빠질 수 있습니다. 이러한 장애물들은 큐디트가 더 강력함에도 불구하고 양자 컴퓨팅의 규모를 키우는 것을 어렵게 만들었습니다.

칠레의 한 연구팀은 특히 큐디트 기반 기계를 위한 이러한 어려움을 헤쳐 나갈 새로운 방법을 제안했습니다. 그들은 전체를 한꺼번에 설계하는 대신 컴퓨터의 프로그램을 단계별로 구축하는 기존 전략인 ADAPT-VQE를 응용했습니다. 전체 구조를 한 번에 추측하는 대신, 이 알고리즘은 한 번에 한 조각씩 추가하며, 항상 정답을 가장 많이 개선하는 조각을 선택합니다. 이를 더욱 효과적으로 만들기 위해, 연구진은 '카운터다이아베틱 드라이빙(counterdiabatic driving, 반-단열 구동)'이라는 물리학 개념을 빌려왔습니다. 간단히 말해, 이것은 숙련된 운전자가 곡선 구간에서 매끄러운 경로를 유지하기 위해 약간 앞서서 핸들을 꺾는 것처럼, 오류 없이 과정을 가속화하는 데 사용되는 기술입니다. 이 "조향(steering)" 논리를 사용하여 프로그램에 어떤 조각을 추가할지 결정함으로써, 그들은 Qudit-ADAPT라는 새로운 알고리즘을 만들었습니다.

연구팀은 이 방법을 'Max 3-Cut' 문제로 알려진 고전적인 퍼즐에 테스트했습니다. 도시들이 도로로 연결된 네트워크를 상상해 보십시오. 여기서 목표는 서로 다른 그룹 간의 도로 수가 가능한 한 많아지도록 도시들을 세 개의 뚜렷한 그룹으로 나누는 것입니다. 이는 큐디트의 3가지 상태 특성에 자연스럽게 부합하는 문제입니다. 연구진은 자신들의 알고리즘이 고정된 프로그램 방식과 비교하여 얼마나 잘 수행되는지 보기 위해 컴퓨터로 시뮬레이션을 진행했습니다. 결과는 놀라웠습니다. 그들의 적응형 방법은 훨씬 더 정확한 해결책을 찾아냈으며, 종종 고정된 방식에 비해 오차를 10배 이상 줄였습니다. 더욱이, 이 높은 정확도를 훨씬 적은 단계와 덜 복잡한 회로를 사용하여 달성했는데, 이는 오늘날의 노이즈가 많은 기술 환경에서 양자 컴퓨터를 안정적으로 유지하는 데 매우 중요합니다.

이 연구는 단순히 더 나은 답을 찾는 것을 넘어, 왜 이 방법이 잘 작동하는지를 밝혀냈습니다. 연구진은 알고리즘이 어떻게 다양한 가능한 해결책 사이를 이동하는지 살펴보며 문제의 "지형(landscape)"을 조사했습니다. 그들은 표준적인 고정 방식이 국소적 함정의 미로에서 길을 잃어, 더 나은 경로를 볼 수 없게 되어 개선을 멈추는 경우가 많다는 것을 발견했습니다. 반면, 단계별 구축과 스마트한 시작점을 가진 Qudit-ADAPT 알고리즘은 이러한 함정을 뚫고 들어갈 수 있었습니다. 그것은 단순히 갇혀 있는 것이 아니라, 프로그램에 새로운 조각을 계속 추가하여 지형을 재형성하고 진정한 해결책으로 내려가는 길을 찾아냈습니다. 이는 알고-리즘이 매 단계마다 가장 유망한 방향에 집중하게 함으로써, 신호가 사라지는 배린 플레이토 문제에 대해 견고함을 유지한다는 것을 시사합니다.

연구팀 또한 "조향" 로직의 복잡성이 결과에 어떤 영향을 미치는지 탐구했습니다. 그들은 더 단순한 규칙 세트를 가진 버전과 더 상세한 고차(higher-order) 세트를 가진 두 가지 버전의 연산자 풀(operator pool)을 테스트했습니다. 많은 테스트 케이스에서 두 버전 모두 잘 작동했지만, 더 상세한 버전은 특히 가장 복잡하고 서로 연결된 네트워크에서 정확도를 완벽에 더 가깝게 지속적으로 밀어 올렸습니다. 이는 기본 방법이 강력하긴 하지만, 더 정교한 안내를 추가하면 시스템이 더 어려운 문제를 더 높은 정밀도로 해결할 수 있음을 나타냅니다. 이 연구는 모든 양자 컴퓨팅 과제를 해결했다고 주장하거나 물리적인 양자 기계에서 이 테스트를 수행한 것이 아닙니다. 대신, 이 결과는 알고리즘이 실제 하드웨어에서 어떻게 작동할지를 모델링하는 엄격한 수치 시뮬레이션에 기반하고 있습니다.

궁극적으로, 이 연구는 큐디트를 이용한 양자 컴퓨팅의 미래를 위한 유망한 로드맵을 제시합니다. 적응형의 단계별 구축 과정과 물리학에서 영감을 받은 안내를 결합함으로써, 연구진은 분야의 발전을 늦춰온 흔한 함정들을 피하는 방법을 보여주었습니다. 그들의 접근 방식은 우리가 완벽한 하드웨어를 기다릴 필요 없이, 현재 기기의 한계를 우회하여 작동하는 더 스마트한 소프트웨어를 설계할 수 있음을 시사합니다. 이 분야가 앞으로 나아감에 따라, 이 유연한 프레임워크는 표준적인 도구가 되어 과학자들이 현재로서는 도달하기 어려운 최적화 문제들을 해결하기 위해 다중 상태 양자 시스템의 잠재력을 온전히 활용하도록 도울 수 있을 것입니다.

기술 요약: Qudit-ADAPT-VQE

문제 정의
큐디트(d-레벨 양자 시스템) 기반의 변분 양자 알고리즘(VQAs)은 고차원 문제에 대한 회로 복잡도 감소 및 차원이 2보다 큰 변수(예: Max $k$ -Cut)에 대한 자연스러운 인코딩을 포함하여, 큐비트 기반 접근 방식보다 잠재적인 이점을 제공합니다. 그러나 큐디트 기반 VQA는 큐비트와 유사한 중대한 과제들에 직면해 있습니다: 효율적이고 표현력이 풍부한 안사츠(ansatz) 설계, 그리고 비용 함수의 기울기가 시스템 크기에 따라 지수적으로 소멸하여 학습을 방해하는 "바렌 플레이토(barren plateau)" 문제입니다. 또한, 국소 힐베르트 공간의 차원( $d > 2$ )을 증가시키면 바렌 플레이토 효과가 증폭될 수 있습니다. QAOA의 큐디트 확장과 같은 고정된 안사츠 방식은 표현력과 회로 깊이 사이의 균형을 맞추는 데 어려움을 겪으며, 이는 종종 노이즈와 최적화 문제를 악화시키는 깊은 회로를 요구하게 됩니다.

방법론
저자들은 큐디트 시스템에 특화된 적응형 변분 알고리즘인 Qudit-ADAPT를 제안합니다. 이 방법의 핵심은 고정된 회로 구조를 사용하는 대신 에너지 기울기에 따라 연산자를 선택하는 반복적인 안사츠 구축입니다.

연산자 형식론(Operator Formalism): 이 알고리즘은 각운동량 연산자( $L_x, L_y, L_z$ )를 사용하여 삼진 변수( $\ell=1, d=3$ )를 인코딩합니다. Max 3-Cut 문제를 위한 비용 해밀토니안( $H_C$ )은 중첩 교환자 전개(nested-commutator expansion)에 적합한 폐쇄 교환 관계를 가진 이러한 연산자들을 사용하여 정식화됩니다.
역대각(Counterdiabatic) 영감을 받은 연산자 풀: 연산자 풀은 근사적인 역대각 해밀토니안으로부터 유도됩니다. 역대각 구동(counterdiabatic driving)으로 강화된 단열 진화에서 영감을 얻어, 이 방법은 중첩 교환자 전개를 사용하여 단열 게이지 포텐셜(Adiabatic Gauge Potential, AGP)을 구축합니다.
- AGP는 $A^{(l)}_\lambda = \sum a_j(t) D_j$ 로 근사되며, 여기서 $D_j$ 는 각운동량 연산자의 문자열(strings)입니다.
- 큐디트를 위한 중요한 기술적 적응 사항이 다루어집니다: 큐비트 시스템의 파울리 문자열과 달리, 큐디트에서의 각운동량 연산자 곱은 에르미트(Hermitian)가 아닐 수 있습니다. 저자들은 물리적 타당성을 보장하기 위해 에르미트 연산자 풀 $V_j = (D_j + D_j^\dagger)/2$ 를 정의합니다.
적응형 구축 (CD-ADAPT): 알고리즘은 믹서 해밀토니안( $H_M$ $H_{M}$ )의 바닥 상태로 상태를 초기화합니다. 각 반복 단계에서:
- 풀 내의 모든 연산자에 대한 에너지 기울기를 평가합니다.
- 기울기 크기가 가장 큰 연산자를 선택하여 안사츠에 추가합니다.
- 웜 스타트 전략(이전 반복 단계에서 최적화된 파라미터를 재사용)을 사용하여 누적된 모든 파라미터에 대해 변분 양자 고유값 솔버(VQE) 최적화를 수행합니다.
- 기울기 노름(norm)이 수렴 임계값 아래로 떨어질 때까지 이 과정을 반복합니다.

주요 기여

최초의 큐디트-ADAPT 구현: 본 연구는 ADAPT-VQE 전략을 큐디트 기반 양자 컴퓨팅에 적용한 첫 사례를 제시합니다.
에르미트 풀 구축: 저자들은 근사적 AGP로부터 유도된 대칭화된 연산자 풀을 구축함으로써 큐디트 연산자 문자열에 내재된 비-에르미트 문제를 해결합니다.
역대각 통합: 이 방법은 역대각 구동 개념을 적응형 풀 선택에 통합하여, 이론적으로 단열 전이를 억제하는 데 유효한 방향으로 안사츠를 유도합니다.
확장성 분석: 논문은 바렌 플레이토 및 로컬 미니마의 맥락에서 알고리즘의 학습 가능성을 조사하며, 특히 고차원 힐베르트 공간에서 웜 스타트 전략의 영향을 분석합니다.

결과
알고리즘은 6개의 정점을 가진 다양한 그래프 인스턴스(불규칙 및 규칙 그래프)를 사용하여 Max 3-Cut 문제에 대해 수치적으로 테스트되었습니다.

QAOA 대비 정확도: Qudit-ADAPT는 큐디트 QAOA(고정 안사츠)보다 일관되게 우수한 성능을 보였습니다. 불규칙 그래프 인스턴스의 경우, Qudit-ADAPT는 QAOA보다 최소 10배 낮은 상대 오차를 달erm했습니다. 많은 경우, 훨씬 적은 변분 파라미터와 네이티브 게이트를 사용하여 높은 근사 비율( $r > 0.99$ )에 도달했습니다.
연산자 풀 차수: AGP의 1차( $l=1$ ) 및 2차( $l=2$ ) 근사를 비교했을 때, $l=2$ 풀이 특히 연결성이 높은 그래프(예: $K_6$ )에서 우수한 성능을 보였으며, $l=1$ 풀이나 QAOA보다 적은 파라미터로 머신 정밀도(machine precision)에 도달했습니다.
강건성 및 학습 가능성:
- 로컬 미니마: 연구는 웜 스타트, 콜드 스타트 및 랜덤 재시작을 비교하여 최적화 경관(landscape)을 분석했습니다. 웜 스타트 전략은 랜덤 초기화보다 일관되게 더 낮은 에너지 상태로 수렴했으며, 종종 수 자릿수 차이로 더 낮은 에너지를 달성했습니다.
- 파고들기(Burrowing) 메커니즘: 결과는 연산자의 반복적인 추가를 통해 알고리즘이 고정된 안사츠 옵티마이저를 멈추게 할 수 있는 로컬 트랩(local trap)을 탈출할 수 있다는 "파고들기" 메커니즘을 뒷받침합니다.
- 바렌 플레이토: 얕은 회로에서 시작하는 적응형 구축은 초기 바렌 플레이토 영역을 피합니다. 웜 스타트 전략은 최적화가 해상 가능한 기울기가 존재하는 영역에 머물도록 보장하며, 이는 큐디트 차원이 증가함에 따라 일반적으로 악화되는 바렌 플레이토 효과에 대한 강건성을 시사합니다.

의의 및 주장
본 논문은 Qudit-ADAPT가 큐디트 아키텍처를 위한 변분 양자 알고리즘에 대해 확장 가능하고 강력한 프레임워크를 제공한다고 주장합니다. 역대각에서 영감을 받은 연산자 풀과 적응형 웜 스타트 구축을 결려함으로써, 이 방법은 고정 안사츠 방식의 두 가지 핵심 과제인 효율적인 안사츠 설계의 어려움과 불리한 최적화 경관(로컬 미니마 및 바렌 플레이토)에 대한 취약성을 해결합니다.

저자들은 이 접근 방식이 QAOA와 같은 고정 안사츠 방법과 비교하여 더 적은 리소스(더 적은 파라미터 및 네이티브 게이트)로 더 높은 정확도를 달성한다고 단언합니다. 그들은 반복적인 안사츠 성장과 웜 스타트 초기화의 결합이 알고리즘이 거친 최적화 경관을 효과적으로 탐색할 수 있게 하여, NISQ 시대의 큐디트 프로세서를 위한 유망한 후보가 된다고 결론짓습니다. 또한, 하드웨어 인식 페널티 및 교환 가능한 연산자 그룹화와 같이 큐비트 기반 ADAPT-VQE에서 개발된 전략들이 이 큐디트 프레임워크로 직접 전이될 수 있음을 시사합니다.

유사한 논문