Near-optimal incoherent tomography of low-rank quantum channels

기술 요약: 저계수 양자 채널의 근사 최적 비결맞음 토모그래피

문제 정의
본 연구는 비결맞음 모델(incoherent model) 하에서의 양자 채널 토모그래피에 대한 쿼리 복잡도 문제를 다룬다. 목표는 크라우스 계수(Kraus rank)가 최대 $r$인 미지의 양자 채널 $\mathcal{E}: \mathcal{L}(\mathbb{C}^{d_1}) \to \mathcal{L}(\mathbb{C}^{d_2})$를 다이아몬드 노름(diamond-norm) 오차 $\epsilon$ 이내로 재구성하는 것이다. 학습 알고리즘은 비결맞음 설정에서 작동하는데, 이는 채널 쿼리 사이에 양자 메모리를 보유할 수 없음을 의미한다. 즉, 각 채널 사용 후의 출력 상태를 측정해야 하지만, 이후의 입력과 측정은 이전 결과들의 고전적 트랜스크립트(transcript)에 적응적으로 의존할 수 있다. 정확도는 채널 간의 최악의 구별 가능성을 정량화하는 다이아몬드 노름으로 측정된다.

핵심 질문은 이 재구성을 달성하기 위해 필요한 채널 쿼리의 수를 결정하는 것이다. 결맞음 프로토콜(얽힌 입력과 합동 측정을 활용하는 방식)은 "경계로부터 떨어진(away-from-boundary)" 영역에서 $\Theta(d_1 d_2 r / \epsilon^2)$의 쿼리 복잡도를 달성하는 것으로 알려져 있으나, 일반적인 저계수 채널($1 < r < d_1 d_2$)에 대한 비결맞음 복잡도는 $r=1$ 및 풀 랭크(full rank)인 자명한 경우를 제외하고는 기존에 규명되지 않았다.

방법론
본 논문은 채널 스펙트럼의 서로 다른 영역에 대해 서로 다른 기술적 접근 방식을 사용하여 상한(upper bound)과 하한(lower bound)을 모두 설정한다.

1. 상한 (갭이 있는 경우, Gapped Case):
   초이 연산자(Choi operator)의 0이 아닌 고윳값들이 $\Omega(d_1/r)$보다 작지 않은 채널의 경우, 저자들은 [SSKKG22]의 보조 시스템 지원 투영 최소제곱 추정치(ancilla-assisted projected least squares estimator)를 기반으로 한 비적응적 프로토콜을 활용한다. 이 프로토콜은 고정된 최대 얽힘 입력 상태를 준비하고, 채널을 적용한 뒤, 하르 무작위(Haar-random) 기저에서 출력을 측정하는 과정을 포함한다.

   • 핵심 기술 혁신: 저자들은 다이아몬드 노름 오차를 바운딩하기 위한 새로운 분석법을 개발한다. 이들은 추정 오차 $\Delta$를 초이 지지 집합(support)에 상대적인 블록들로 분해한다. 결정적인 구성 요소는 $\kappa(\mathcal{E}) = d_1 \| \text{tr}_B P_E \|_\infty$이며, 여기서 $P_E$는 초이 지지 집합에 대한 투영이다. 갭이 있는 채널의 경우, $\kappa(\mathcal{E}) = O(r)$이다. 이 분석은 지지 집합의 직교 보공간(orthogonal complement) 상에서의 유니터리 공액(unitary conjugation)에 대한 오차 분포의 불변성을 활용하여 입력 마진을 "평탄화(flatten)"함으로써, 스칼라 번스타인 부등식(Bernstein inequalities)과 커버링 넷(covering net) 논증을 통해 다이아몬드 거리를 엄밀하게 제어한다.

2. 상한 (일반적인 경우, General Case):
   스펙트럼이 갭을 가질 수 있는(즉, $\kappa(\mathcal{E})$가 클 수 있는) 임의의 채널을 위해, 저자들은 적응적 알고리즘을 제안한다.

   • 핵심 기술 혁신: 알고리즘은 입력 상태를 반복적으로 선택하기 위해 행렬 곱셉 가중치 업데이트(Matrix Multiplicative Weight Update, Matrix Exponentiated Gradient) 방법을 사용한다. 핵심적인 어려움은 오차를 제어하는 양인 $\kappa(\sigma_{in})$이 입력 상태에 따라 불연속적으로 변한다는 점이다. 이를 극복하기 위해 저자들은 정규화 필터 $f_s(X) = X(X+sI)^{-1}$와 그에 대응하는 "정규화된 입력 민감도 연산자(regularized input-sensitivity operator)" $H_s(\sigma_{in})$를 도입한다. 이들은 $H_s(\sigma_{in}) + rI$의 곱셈적 추정치를 얻기 위해 2-배치 추정기(two-batch estimator)를 구축한다. 가중치 업데이트 규칙은 $H_s$가 큰 입력 방향의 가중치를 높이며, $O(\log d_1)$ 이내의 반복을 통해 $\|H_s(\bar{\sigma})\|_\infty = O(r)$을 만족하는 입력 상태 $\bar{\sigma}$로 수렴한다. 이를 통해 알고리즘은 로그 수준의 오버헤드만으로 근사 최적의 복잡도를 달성할 수 있다.

3. 하한 (Lower Bounds):
   하한은 "어려운 패밀리(hard family)"의 채널을 구성하고 파노 부등식(Fano's inequality)을 적용하는 표준적인 정보 이론적 전략을 통해 도출된다.

   • 핵심 기술 혁신: 저자들은 베이스 채널의 크라우스 연산자를 섭동(perturbation)시켜 새로운 어려운 채널 패밀리를 구성한다. 이 패밀리는 모든 0이 아닌 초이 고윳값이 특정 범위 $[d_1/(4r), 4d_1/r]$ 내에 존재하도록 설계되었다. 증명 과정은 채널 파라미터와 알고리즘의 트랜스크립트 사이의 상호 정보량을 바운딩한다. 결정적으로, 저자들은 단일 쿼리 실험의 테스터 표현(tester representation)을 활용하여, 1-쿼리 피셔 정보 행렬(Fisher information matrix)의 트레이스가 $O(d_1 d_2 / r)$에 의해 균등하게 상한이 됨을 보여준다. 채널 파라미터에 대한 사전 분포에 가우시안 로그-소보레프 부등식(Gaussian log-Sobolev inequalities)을 적용함으로써, 이 피셔 정보량 바한드를 상호 정보량 바운드로 변환하여, 적응적 비결맞음 프로토콜에 대해서도 $\Omega(d_1 d_2 r^2 / \epsilon^2)$ 쿼리가 필수적임을 입증한다.

주요 기여 및 결과
본 논문은 저계수 양자 채널 토모그래피에 대한 쿼리 복잡도를 거의 완벽하게 규명한다:

• 갭이 있는 채널 (Gapped Channels): $\Omega(d_1/r)$-갭을 가진 초이 스펙트럼을 가진 채널에 대해, 저자들은 최적의 쿼리 복잡도 $\Theta(d_1 d_2 r^2 / \epsilon^2)$를 증명한다. 이는 고정된 최대 얽힘 입력을 사용하는 비적응적 알고리즘을 통해 달성된다.
• 일반적인 채널 (General Channels): 임의의 저계수 채널에 대해, 저자들은 적응적 알고리즘을 통해 $O(d_1 d_2 r^2 \log(2d_1) / \epsilon^2)$의 상한을 설정한다. 이는 입력 차원의 로그 인자만을 제외하면 하한과 거의 일치한다.
• 하한 (Lower Bound): 본 논문은 크라우스 계수가 $r$인 채널을 학습하는 모든 적응적 비결맞음 프로토콜에 대해 보편적인 하한 $\Omega(d_1 d_2 r^2 / \epsilon^2)$을 증명한다. 이 바운드는 딜레이션 비율(dilation rate) $\tau = rd_2/d_1 = 1$인 경계 영역을 포함하여 가능한 모든 파라미터 영역에서 성립한다.

의의
본 논문은 저계수 양자 채널 토모그래피의 쿼리 복잡성에 관한 열린 질문에 답한다. 본 연구의 주요 의의는 양자 메모리의 부재로 인한 비용을 정량화한 데 있다:

• $\Theta(d_1 d_2 r / \epsilon^2)$를 달리는 결맞음 프로토콜과 비교할 때, 비결맞음 설정은 대략 $O(r)$의 곱셈적 오버헤드를 발생시킨다.
• 경계 영역($\tau=1$)에서 헤이젠베르크 스케일링인 $\Theta(d_1 d_2 r / \epsilon)$을 보이는 결맞음 설정과 달리, 비결맞음 하한은 가능한 모든 파라미터 공간 전체에서 $1/\epsilon^2$ 스케일링을 유지한다.
• 본 결과는 최소 계수($r=1$) 및 풀 랭크($r=d_1 d_2$)에 대한 기존의 발견을 임의의 중간 계수로 일반화하여, 다양한 채널 랭크에 걸친 비결맞음 토모그래피에 대한 이해를 통합한다.

저자들은 자신들의 상한 알고리즘이 보조 시스템을 지원하며(ancilla-assisted) 정확한 하르 무작위 기저에 의존한다는 점을 언급하며, 보조 시스템이 없는(ancilla-free) 알고리즘이나 근사 유니터리 디자인이 유사한 복잡도를 달성할 수 있는지에 대한 문제를 향후 과제로 남겨두었다.