Heuristically optimizing, synthesizing, and prioritizing measurement settings for quantum state tomography

기술 요약: 양자 상태 토모그래피를 위한 휴리스틱 최적화, 합성 및 측정 설정 우선순위 지정

문제 정의
양자 상태 토모그래피(QST)는 양자 시스템의 밀도 행렬을 재구성하는 데 필수적이지만, "차원의 저주"에 직면해 있습니다. 시스템 규모가 커짐에 따라 필요한 실험 횟수와 재구성의 계산 비용이 기하급수적으로 증가합니다. 주요 병목 구간은 데이터 획득 단계에 있으며, 이는 임의의 관측량 집합을 서로 가환(commuting)하는 부분 집합으로 효율적으로 분할하는 문제입니다. 브루트 포스(brute-force) 접근 방식은 작은 시스템에서는 최적의 분할을 찾을 수 있지만, 연산자의 수와 시스템 차원이 증가함에 따라 다루기 불가능해집니다. 또한, 기존 전략들은 특정 작업(예: 특정 행렬 요소 추정)을 목표로 하거나 상호 무공통 기저(MUBs)와 같은 구조에 의존하는데, 이는 임의 차원의 힐베르트 공간이나 축소된 부분 공간에 보편적으로 적용될 수 없습니다. 과제는 최소한의 측정 설정을 위해 임의의 연산자 집합을 최소한의 가환 부분 집합으로 분할하는 계산 효율적인 방법을 찾는 것이며, 프로세스 초기 단계에서 정보 이득을 극대화하기 위해 이러한 설정들의 우선순위를 정하는 것입니다.

방법론
저자들은 연산자 분할 문제를 그래프 채색(Graph Coloring, GC) 문제로 재정의합니다.

1. 그래프 구축: 정점(vertex)은 연산자를 나타내는 무방향 그래프를 구축합니다. 두 정점을 잇는 간선(edge)은 대응하는 연산자들이 서로 가환하지 않을 때만 존재합니다.
2. GC를 통한 분할: 목표는 인접한 두 정점이 동일한 색상을 공유하지 않도록 그래프를 채색하여, 총 색상의 수(chromatic number)를 최소화하는 것입니다. 각 색상 클래스는 동시에 측정 가능한 상호 가환 연산자들의 집합에 해당합니다.
3. 알고리즘 프레임워크: 본 논문은 이 GC 문제를 해결하기 위해 다섯 가지의 뚜렷한 알고리로즘을 벤치마킹합니다:
   • 포화도(Degree of Saturation, DSATUR): 인접한 정점들에 할당된 서로 다른 색상의 수를 기준으로 정점을 정렬하는 휴리스틱 방식입니다.
   • 재귀적 최대 우선(Recursive Largest First, RLF): 가장 높은 차수(가장 많은 이웃)를 가진 정점을 우선시하는 휴리스틱 방식입니다.
   • 정수 선형 계획법(Integer Linear Programming, ILP): 보완 그래프(commutation graph) 상의 최소 클리크 커버(Minimum Clique Cover, MCC) 문제로 정식화된 정밀 방법으로, CBC와 같은 솔버를 사용하여 해결합니다.
   • 그래프 신경망(Graph Neural Networks, GNN): 채색을 노드 분류 문제로 취급하는 학습 기반 접근 방식으로, 연산자 가환 그래프를 통해 훈련됩니다.
   • 스펙트럴 클러스터링(Spectral Clustering, SC): 그래프 라플라시안의 고유 구조를 활용하여 노드를 가환 유사성에 따라 클러스터링하는 방법입니다.
4. 회로 합성: 식별된 각 가환 부분 집합에 대해, 저자들은 이진 심플렉틱 표현(binary symplectic representation)과 심플렉틱 가우시안 소거법을 사용하여 기저 변경 양자 회로를 합성합니다. 이 회로들은 공동 측정을 가능하게 하기 위해 오직 기본 클리포드 게이트(Hadamard, Phase, CNOT)로만 구성됩니다.
5. 우선순위 지정 전략: 생성된 분할에 대해, 저자들은 가환 부분 집합의 카디널리티(크기)에 따라 측정 설정을 정렬하여, 실험당 정보 이득을 극대화하기 위해 가장 큰 부분 집합을 먼저 실행하는 스케줄링 전략을 제안합니다.

주요 기여

• 일반화된 프레임워크: 본 연구는 파울리(Pauli) 특화 대수적 방법의 한계를 넘어, 임의의 연산자 집합 및 다중 큐비트, 다중 큐트릿(qutrit), 하이브리드 큐비트-큐트릿 시스템을 포함한 임의 차원의 힐베르트 공간에 적용 가능한 통합 프레임워크를 제공합니다.
• 알고리즘 벤치마킹: QST를 위한 휴리스틱 및 정밀 GC 알고리즘에 대한 종합적인 비교를 수행했습니다. 연구 결과, DSATUR가 솔루션 품질(분할 수)과 실행 시간 사이에서 최적의 트레이드오프를 제공하는 휴리스틱으로 식별되었으며, GNN은 빠른 추론 성능을 보여주었습니다.
• 효율성 향상: 본 프레임워크는 휴리스틱 GC 방법이 표준 무작위 샘플링 프로토콜(예: $\{I, R_x, R_y\}^{\otimes N}$)에 비해 필요한 측정 설정을 크게 줄일 수 있음을 입증하며, 표준 소비자용 하드웨어(8코어 CPU, 16GB RAM)에서 몇 분 내에 수렴합니다.
• 오픈 소스 구현: 저자들은 GC 알고리즘과 회로 합성 도구를 포함한 공개 Python 구현체를 제공합니다.

결과
프레임워크는 최대 5-큐비트, 3-큐트릿 및 하이브리드 구성(예: $2q \otimes 2t$) 시스템에 대해 검증되었습니다.

• 분할 성능:
  • ILP는 작은 시스템(최대 4-큐비트)에 대해 최적의 분할 수를 달성했으나, 지수적인 실행 시간으로 인해 더 큰 규모(예: 5-큐비트, 3-큐트릿)에서는 다루기 불가능해졌습니다.
  • **휴리스틱(DSATUR, GNN, RLF, SC)**은 몇 초에서 몇 분 내에 솔루션을 생성했습니다. DSATUR와 GNN은 휴리스틱 중 가장 적은 수의 분할을 일관되게 생성했으며, 종종 이론적 최적값(예: $N$ 큐비트에 대해 $2^N + 1$)에 근접했습니다.
  • 5-큐비트 시스템(1,023개 연산자)의 경우, DSATUR와 GNN은 수십 초 내에 유효한 분할을 생성한 반면, ILP는 실용적인 시간 내에 수렴하지 못했습니다.
• 토모그래피 성능:
  • 우선순위 기반 스케줄링(가장 큰 부분 집합 우선)을 사용하면, GC 유도 스케줄이 표준 QST보다 훨씬 적은 측정으로도 높은 충실도(fidelity)의 상태 재구성을 달 Ach성함을 보여주었습니다.
  • 4-큐비트 시스템의 경우, GC 기반 방법(GNN, DSATUR)은 단 25개의 설정만으로 높은 충실도($F \approx 1$)를 달성한 반면, 표준 QST는 유사한 충실도에 도달하기 위해 훨씬 더 많은 설정이 필요했으며 동일한 설정 수에서 0.75 미만에 머물렀습니다.
  • 우선순위 스케줄링은 빠른 정보 축적을 가능하게 했습니다. 5-큐비트 시스템의 경우, GC 기반 방법은 단 50개의 설정 후에 평균 충실도가 0.9를 넘었으나, 표준 프로토콜은 0.65에 그쳤습니다.

의의 및 주장
본 논문은 그래프 채색 휴리스틱이 잡음이 있는 중간 규모 양자(NISQ) 장치를 특성화하기 위한 확장 가능하고 실용적인 도구라고 주장합니다. 데이터 획득 단계를 최적화의 초점으로 전환함으로써, 본 프레임워크는 실험적 오버헤드와 측정 시간을 줄입니다.

• 확장성: 이 접근 방식은 브루트 포스 분할이 불가능한 시스템의 특성화를 가능하게 하며, 수 차수의 속도 향상을 제공합니다.
• 적응성: 우선순위 기반 스케줄링을 통해 목표 충실도에 도달했을 때 데이터 획득을 중단할 수 있어 과정이 적응적입니다.
• 다양성: 이 방법은 큐비트나 파울리 연산자에 국한되지 않고 큐트릿 및 하이브리드 시스템으로 자연스럽게 확장되어, 현재의 토모그래피 프로토콜의 공백을 메웁니다.
• 미래 전망: 저자들은 프레임워크가 견고하지만, 범용 게이트 세트에서 임의의 가환 집합에 대한 기저 변경 회로를 효율적으로 합성하는 데 여전히 과제가 남아 있다고 언급합니다. 특히 GNN은 작은 사례로 학습한 내용을 더 큰 미지의 시스템으로 일반화할 수 있는 능력 덕분에, 미래의 확장 가능한 측정 스케줄링을 위한 매우 유망한 방향임을 시사합니다.