A Unified Quantum Neural Network Framework for Hamiltonian Learning and Emulation of Unknown Quantum Systems

기술 요약: 해밀토니언 학습 및 에뮬레이션을 위한 통합 양자 신경망 프레임워크

문제 정의
알 수 없는 양자 시스템을 정확하게 식별하는 것은 양자 컴퓨팅, 센싱 및 제어의 전제 조건이며, 시스템의 해밀토니언이 상태 진화를 결정하기 때문이다. 양자 상태 토모그래피(QST) 및 양자 프로세 토모그래피(QPT)와 같은 전통적인 해밀토니언 추정 방식은 계산 비용이 많이 들고 광범위한 측정이 필요하다. 머신러닝이 해밀토니언 재구성을 위한 유망한 대안으로 등장했지만, 기존의 많은 접근 방식은 제한된 데이터(예: 최종 상태 또는 특정 관측량)에 의존하며, 이는 소산(dissipation)과 결맞음 해제(decoherence)에 의해 지배되는 개방형 양자 시스템의 전체 복잡성을 포착하는 데 실패할 수 있다. 또한, 추상적인 해밀토니언 재구성과 대상 시스템의 역학을 재현할 수 있는 양자 에뮬레이터의 물리적 구현 사이에는 간극이 존재한다.

방법론
본 논문은 **전체 밀도 행렬 궤적 학습(full density-matrix trajectory learning)**을 통해 블랙박스 해밀토니언 학습과 양자 시스템 에뮬레이션을 수행하는 양자 신경망(QNN) 기반의 통합 프레임워크를 제안한다. 방법론은 다음과 같은 5단계로 진행된다:

1. 물리 정보 기반 데이터 생성: 임의의 미지의 시스템에 대한 실험 데이터는 사용할 수 없으므로, 저자는 합성 데이터셋을 생성한다. 이는 초전도 회로-QED 시스템과 관련된 구조화된 연산자 기저에 의해 제약된 32개의 해밀토니언 계수와 소산 파라미터(공진기 감쇠 및 큐비트 이완율)를 무작위로 샘플링하는 과정을 포함한다. 이를 통해 생성된 해밀토니언이 물리적으로 허용 가능한 범위를 유지하면서도 다양성을 갖도록 보장한다.
2. 궤적 시뮬레이션: 미지의 해밀토니언은 QuTiP 라이브러리를 통해 Lindblad 마스터 방정식을 사용하여 전파된다. 이 프레임워크는 최종 상태만을 기록하는 방식과 달리, 완전한 시간 진화 과정인 밀도 행렬 $\rho(t)$를 저장한다. 실제 실험 조건을 모사하기 위해 가우시안 측정 노이즈가 추가된다.
3. QNN 구조 및 학습: 5개 층의 피드포워드(feed-forward) QNN은 4차원 제어 입력 벡터를 32개의 해밀토니언 계수로 매핑한다. 네트워크는 비선형 관계를 포착하기 위해 하이퍼볼릭 탄젠트(Tanh) 및 시그모이드(Sigmoid) 활성화 함수를 사용하는 인코더-디코더 구조를 채택한다. 예측된 계수는 에르미트성(Hermiticity)을 보장하기 위해 대칭화된다.
4. 미분 가능한 최적화: 예측된 해밀토니언은 미분 가능한 개방계 솔버(differentiable open-system solver)를 통해 전파된다. 손실 함수는 가중치가 적용된 **궤적-밀도 손실(trajectory-density loss)**로 정의되며, 단순히 최종 시점에서의 차이가 아니라 전체 시간 진화 과정 동안의 예측된 밀도 행렬과 타겟 밀도 행렬 사이의 프로베니우스 노름(Frobenius norm) 차이를 최소화한다.
5. 강화 전략: 식별 가능성과 수렴성을 향상시키기 위해 프레임워크는 두 가지 특정 전략을 통합한다:
   • 처프 여기(Chirped Excitation): 여러 동역학 모드를 자극하기 위해 주파수를 훑는 시간 의존적 제어 신호를 사용하여 과도 현상(transient dynamics)을 풍부하게 하고 파라미터 퇴화(degeneracy)를 줄인다.
   • 무작위 초기 상태: 고정된 초기 상태 대신, 다양한 초기 조건(무작위화된 큐비트 및 공진기 결맞음 상태)에 대해 네트워크를 학습시켜 특정 궤적에 대한 과적합을 방지하고 일반화 성능을 높인다.

주요 기여

• 전체 궤적 학습: 본 연구는 Lindblad 역학 하에서의 밀도 행렬 전체 시간 진화를 활용하는 것이 최종 상태나 관측량 기반 접근 방식보다 해밀토니언 식별에 더 풍부한 정보를 제공한다는 것을 입증한다.
• 상보적 지표: 본 연구는 궤적-밀도 손실, 양자 상태 충실도(fidelity), 그리고 트레이스 거리(trace distance)가 상보적인 정보를 제공함을 밝힌다. 구체적으로, 처프 여기가 수렴을 가속화하고 궤적 손실을 최소화하는 데는 효과적이지만, 무작위 초기 조건이 복잡한 시스템에서 특히 상태 수준의 재구성(충실도 및 트래스 거리)을 크게 개선한다는 점을 발견했다.
• 물리적 에뮬레이션: 학습된 추상적 해밀토니언을 물리적으로 구현 가능한 2-큐비트-버스-공진기 구조로 매핑하는 새로운 기여를 한다. 프레임워크는 특정 회로 파라미터(트랜스몬 커패시턴스, 조셉슨 인덕턴스, 큐비트 간격, 공진기 길이)를 추출하여 "양자 디지털 트윈"을 구축한다.

결과
프레임워크는 세 가지 케이스(단일 큐비트 벤치마크 $H_1$, 결합된 큐비트 벤치마크 $H_2$, 32개 계수를 가진 진정한 미지 해밀토니언)에 대해 평가되었다.

• 수렴성: 사인파 형태의 처프 여기는 일반적으로 가장 빠른 수렴과 가장 낮은 최종 궤적-밀도 손실을 나타냈다. 그러나 처프와 무작위 초기화를 결합했을 때 최종 정상 상태(steady-state) 손실이 더 높게 나타났는데, 이는 최적화 속도와 최종 재구성 정확도 사이의 트레이드오프를 시사한다.
• 재구성 정확도: 무작위 초기 조건은 상태 수준의 지표를 일관되게 개선했다. 미지 시스템의 경우, 무작위 초기화는 충실도를 0.708에서 0.787로 높였고, 트레이스 거리를 0.401에서 0.316으로 감소시켰다.
• 물리적 구현: 학습된 파라미터는 초전도 회로 설계로 성공적으로 변환되었다. 재구성된 회로는 물리적으로 현실적인 파라미터(예: 큐비트 주파수 ~5.4–6.0 GHz, 결합율 ~158 MHz)를 가진 분산 영역(dispersive regime)에서 작동했다. 재구성된 회로는 참조 시스템의 주요 역학적 동작을 만족스럽게 재현했으나, 타겟 해밀토니언의 복잡성이 증가함에 따라 일치도가 저하되었으며, 이는 고차원 역학을 제한된 토폴로지에 매핑하는 것의 어려움을 반영한다.

의의 및 주장
본 논문은 블랙박스 양자 시스템 식별에서 물리적 양자 에뮬레이션으로 이어지는 데이터 기반 경로를 구축한다고 주장한다. 전체 궤적 학습을 물리 정보 기반 제약 및 고급 학습 전략과 통합함으로써, 본 프레임워크는 광범위한 토모그래피 없이도 미지의 개방형 양자 시스템을 재구성할 수 있게 한다. 학습된 해밀토니언 계수를 물리적 회로 파라미터(커패시턴스, 인덕턴스, 길이)로 직접 변환할 수 있는 능력은 이 연구를 양자 디지털 트윈을 향한 기초적인 단계로 자리매김하게 하며, 이를 통해 원래 하드웨어에 직접 접근하지 않고도 양자 장치를 시뮬레이션, 예측 및 최적화할 수 있다. 저자는 이 접근 방식이 유망하지만, 잠재력을 완전히 실현하기 위해서는 더 큰 데이터셋, 더 풍부한 회로 토폴로지 및 실험적 검증이 향후 과제로 남아 있음을 겸허히 언급한다.