Bottom-Up Design of Quantum Optical Experiments Using Discrete Generative Models

기술 요약: 이산 생성 모델을 이용한 양자 광학 실험의 상향식 설계

문제 정의
양자 광학 실험을 설계하는 것은 특정 타겟 양자 상태를 생성하기 위해 이산적인 회로 토폴로지와 연속적인 파라미터로 구성된 방대한 공간을 탐색하는 과정을 포함한다. 광자와 모드의 수가 증가함에 따라 가능한 구성 요소와 연결의 복잡성은 급격히 증가한다. 기존의 접근 방식은 Theseus 및 PyTheus에서 사용되는 것과 같은 "하향식(top-down)" 전략에 의존하는 경우가 많은데, 이들은 완전 연결된 조밀한 그래프에서 시작하여 에지를 반복적으로 제거(pruning)하며 해를 찾는다. 이러한 방법들은 효과적이긴 하지만 두 가지 한계에 직면한다: (1) 초기 그래프 구조의 90~95%를 제거해야 하며, (2) 일반적으로 단일 최적 회로로 수렴하기 때문에 다른 유효하고 고충실도(high-fidelity)인 토폴로지를 놓칠 가능성이 있다. 또한, 기존의 생성적 접근 방식(예: 변이형 오토인코더)은 대표성 있는 훈련 데이터셋이 필요하며, 이는 생성 비용이 많이 들 뿐만 아니라 모델을 알려진 회로 제품군으로 제한한다.

방법론: Grinch 프레임워크
저자들은 **GFlowNet(Generative Flow Networks)**에 기반한 하향식(bottom-up), 보상 기반 생성 프레임워크인 Grinch를 소개한다. 기존의 하향식 프로닝이나 데이터 기반 생성 모델과 달리, Grinch는 사전에 존재하는 훈련 데이터셋 없이 보상 평가로부터 직접 학습하며 에지를 하나씩 추가하여 회로 토폴로지를 구축한다.

• 그래프 표현: 양자 광학 실험은 가중치가 부여된 컬러 그래프 $G(V, E)$로 인코딩된다. 노드는 공간적 광자 경로를 나타내고, 에지는 특정 모드 색상을 가진 광자 쌍 소스를 나타내며, 에지 가중치는 확률 진폭에 해당한다. 결과적인 양자 상태는 그래프의 모든 완전 매칭(perfect matchings)의 코히어런트 중첩에 의해 결정된다.
• 생성 과정: Grinch는 회로 그래프를 보상 함수 $R(G)$에 비례하는 분포에서 샘플링하는 문제로 취급한다. 여기서 $R(G)$는 일반적으로 생성된 상태와 타겟 상태 사이의 충실도(fidelity)이다.
  • 상태 공간: 상태 $s$는 부분적인 회로 그래프이다. 프로세스는 빈 그래프($s_0$)에서 시작하여, 터미널 그래프 $x$에 도달하거나 에지 예산이 소진될 때까지 컬러 에지를 추가하며 전이된다.
  • 정책 학습: 프레임워크는 UniMP 그래프 트랜스포머로 파라미터화된 순방향($P_F$) 및 역방향($P_B$) 정책을 사용한다. 이 정책들은 순방향 구축 궤적의 확률과 그 역방향 궤적의 보상 가중 확률 사이의 균형을 맞추는 궤적 균형(Trajectory Balance, TB) 목적 함수를 사용하여 학습된다.
  • 제약 조건 및 마스킹: 액션 마스크 $M(s, a)$는 중복 에지를 제외하고, 엔드포인트-컬러 및 ancilla 제한을 강제하며, 게이트 타겟에 대한 입력-입력 에지를 방지함으로써 탐색 공간을 제한한다. 이는 알고리즘이 유효하고 물리적으로 의미 있는 상태에 집중하도록 보장한다.
  • 연속 최적화: 토폴로지는 이산적으로 샘플링되지만, 각 터미널 후보에 대한 연속적인 에지 가중치는 보상이 할당되기 전 충실도를 최대화하기 위해 (L-BFGS-B를 사용하여) 최적화된다.
  • 프로닝(Pruning): 높은 충실도($F \geq 0.95$)를 가진 터미널 후보는 에지 예산 내에서 더 단순한 솔루션을 찾기 위해 탐욕적 에지 삭제 프로세스를 거치며, 이때 삭제가 완전 매칭을 유지하고 충실도를 유지하는 경우에만 수행된다.

주요 기여 및 결과
저자들은 세 가지 범주의 벤치마크를 통해 Grinch의 능력을 입증한다:

1. 다입자 얽힘 상태(Multipartite Entangled States): Grinch는 고차원 GHZ, SRV, Dicke 상태를 위한 회로를 성공적으로 설계한다.

   • $|GHZ(3, 2)\rangle$, $|GHZ(4, 2)\rangle$, $|W(4)\rangle$와 같은 상태에 대해 최소한의 에지 수로 단위 충실도(unit fidelity)를 달 Erkennt 한다.
   • 그래프로 정확히 생성할 수 없는 상태(예: $|GHZ(6, 3)\rangle$ 및 특정 SRV 상태)의 경우, Grinch는 충실도가 적절하게 스케일링되거나(예: $1 - O(w^4)$) 추가적인 ancilla 노드를 활용하여 단위에 도달하는 **점근적 솔루션(asymptotic solutions)**을 식별한다(예: $|SRV(5, 4, 4)\rangle \otimes |000\rangle$).
   • 프레임워크는 다양한 솔루션을 효율적으로 발견한다. 일부 타겟의 경우, top-down 방식이 단일 로컬 옵티멈에 수렴할 수 있는 반면, Grinch는 여러 개의 고유한 고충실도 토폴로지를 찾아낸다.

2. 그래프 및 클러스터 상태: 프레임워크는 선형, 스타, 2D 클러스터 상태를 포함한 측정 기반 양자 컴퓨팅 자원을 위한 컴팩트한 광학 그래프를 생성한다.

   • $|C1D(4)\rangle$ 및 $|Gstar(4)\rangle$와 같은 타겟에 대한 솔루션이 단위 충실도로 복구된다.
   • 결과는 국부적으로 동등한 타겟에 대해서도 선택된 로컬 기저 표현에 따라 광학 그래프 표현이 달라짐을 강조한다.

3. 비국소 광자 게이트(Nonlocal Photonic Gates): Grinch는 입력-출력 관계를 타겟 상태로 인코딩하여 비국소 게이트(CNOT, CZ, Toffoli)를 합성한다.

   • 참조 프레임워크들에 비해 줄어든 에지 수를 사용하여 CNOT 및 CZ 게이트에 대해 단위 충실도를 달성한다.
   • 하드웨어 제약: 프레임워크는 하드웨어 제한을 명시적으로 처리한다. 예를 들어, ancilla 노드가 직접 통신할 수 없도록 제한된 경우, Grinch는 제한되지 않은 버전의 15개 에지 대신 17개 에지 솔루션을 도출한다.
   • 두 개의 ancilla를 사용하여 비국소 Toffoli 게이트를 성공적으로 구축하고, 연결성 제한 하에서의 대안적인 배열을 식별한다.

의의 및 주장
본 논문은 Grinch가 다음과 같은 점을 통해 양자 광학 역설계(inverse design)의 중요한 변화를 나타낸다고 주장한다:

• 훈련 데이터의 필요성 제거: 보상 신호로부터 직접 학습함으로써, 대표적인 데이터셋을 생성하는 데 드는 비용과 편향을 피한다.
• 솔루션 다중성 해결: 단일 최적해를 찾는 최적화 방법과 달리, Grinch의 GFlowNet 기반은 다양하고 보상이 높은 회로를 샘플링할 수 있게 하여, 특정 하드웨어 제약에 더 적합할 수 있는 대안적 토폴로지를 탐색할 수 있게 한다.
• 제약 조건의 자연스러운 통합: 구조적 마스크와 액션 세트 제한을 통해 하드웨어 제약(예: 제한된 연결성)을 사후적 페널티가 아닌 탐색 과정에 직접 통합할 수 있다.
• 효율성: 상향식 접근 방식과 마스킹의 결부터 엄격한 하향식 프로닝이나 무제약 샘플링에 비해 탐색 공간을 줄이고 고충실도 솔루션을 더 적은 샘플로 찾을 수 있게 한다.

저자들은 Grinch를 PyTheus와 같은 기존 방법 및 QOVAE와 같은 데이터 기반 모델에 대한 보완적 도구로서, 대표적인 훈련 데이터가 없거나 다양한 회로 구현이 필요한 양자 광학 실험을 발견하기 위한 유연하고 에이전트적인 접근 방식으로 제시한다.