기술 요약: 패리티 초선택 규칙 하에서의 국소 페르미온 린드블라디안 학습

1. 문제 정의

본 논문은 패리티 공변성(parity-covariant)을 가지며 $k$-모드 국소성을 갖는 시간 독립적 페르미온 린드블라디안(마르코프 개방 양자 역학의 생성자)을 학습하는 과제를 다룬다. 학습 작업은 **패리티 초선택(parity superselection)**이라는 제약 조건을 받는데, 이는 홀수 마요라나 관측량은 직접 측정할 수 없으며 오직 전체 페르미온 패리티와 교환 가능한 짝수 연산자만이 물리적으로 접근 가능하다는 근본적인 물리 원칙이다.

주요 난제는 다음과 같다:

• 측정 제약: 물리적 상태와 측정은 반드시 짝수(even)여야 한다. 페르미온 역학을 완전히 규명하는 데 필요한 홀수 프로브(odd probes)는 외부 패리티 참조 없이는 접근이 불가능하다.
• 국소성 대 큐비트 매핑: 페르미온 연산자는 모드 관점에서는 국소적일 수 있으나, 표준 조던-위그너 변환(Jordan–Wigner transformation)을 사용하면 길고 비국소적인 큐비트 문자열로 매핑될 수 있으며, 이는 학습 알고리즘을 위한 "국소성"의 정의를 복잡하게 만든다.
• 확장성: 표준 양자 프로세스 토모그래피는 모드 수에 따라 지수적으로 스케일링된다. 목표는 국소적 생성자에 대해 다항식 규모(구체적으로는 시스템 크기 $m$에 대해 선형에 가깝거나 로그 단위)의 샘플 복잡도를 달로 달성하는 것이다.
• 알려지지 않은 구조: 학습 프로토콜은 비제로 계수의 구체적인 위치나 기저 상호작용 그래프에 대한 사전 지식 없이 작동해야 한다. 참고: 기하학적 학습 시나리오는 허용된 서포트(support)를 정의하기 위해 알려진 유계 차수(bounded-degree) 모드 그래프를 명시적으로 가정하는 반면, 구조 학습 시나리오는 보조 모드를 사용하여 미지의 그래프를 처리한다.

2. 방법론

제안된 프레임워크는 패리티 드레싱(parity dressing), 내부 마커 교정(internal marker calibration), 그리고 **부호가 있는 피어스 역전(signed Fierz inversion)**을 결합하여 단시간 진화 데이터로부터 정준 계수(canonical coefficients)를 회복한다.

2.1 패리티 드레싱 및 내부 마커

홀수 관측량을 측정할 수 없는 문제를 우회하기 위해, 저자들은 "패리티 드레싱" 기술을 사용한다:

• 드레싱: 홀수 마요라나 단항식 $\Gamma_A$를 서로 분리된 마요라나 마커 $\eta$와 곱하여($i\Gamma_A\eta$) 짝수 에르미트(Hermitian) 관측량으로 변환한다.
• 내부 마커: 외부 보조 모드를 필요로 하는 프로토콜과 달리, 이 방법은 시스템 자체 내의 특정 마요라나 모드를 내부 마커로 사용하며, 이들은 타겟 영역으로부터 공간적으로 분리되어 있다.
• 교정: 이러한 내부 마커의 역학은 시스템의 린드블라디안에 의해 영향을 받는다. 세 개의 분리된 마커($\eta_1, \eta_2, \eta_3$) 사이의 쌍-응답 기울기(pair-response slopes)를 측정함으로써, 프로토콜은 마커의 자체 진화를 보정하여 마커의 동역학적 기여를 교정한다. 이를 통해 타겟 관측량의 "순수(bare)" 도함수를 추출할 수 있다.

2.2 부호가 있는 피어스 역전

드레싱된 전송 도함수(짝수 전송 곡선의 초기 시간 도함수)가 추정되면, 저자들은 부호가 있는 피어스 역전을 사용하여 정준 계수를 회복한다:

• 완전성: 역전은 마요라나 기저의 완전성에 의존한다.
• 제한된 역전: 타겟 계수가 영역 $R$에 서포트를 가질 때, 알고리즘은 $R$에 서포트를 가진 라벨을 가진 도함수만을 사용한다.
• 하강 재귀: 제한된 드레싱된 계수와 전역 정준 계수 사이의 관계는 삼각(triangular) 형태를 띤다. 알고리즘은 더 큰 서포트 크기($k$)에서 작은 크기($0$)로 내려가며 계수를 회복하며, 각 단계에서 더 큰 서포트(대각 확장)의 기여를 차감한다. 이 재귀 과정은 안정적이며, 오차 전파는 국소성 파라미터$k$에 의해 제어된다.

2.3 실험 프로토콜

학습 프로토콜은 **짝수 단시간 실험(even short-time experiments)**을 활용한다:

• 준비: 국소 페르미온 가우시안 제어, 무작위 점유 상태 준비, 그리고 페어링 회전을 사용하여 짝수 상태를 준비한다.
• 진화: 시스템은 미지의 린드블라디안 하에서 정해진 짧은 시간 $t \le (4k\bar{\alpha})^{-1}$ 동안 중간 제어 없이 진화한다.
• 측정: 짝수 관측량이 측정된다.
• 페어-블록 섀도우(Pair-Block Shadows): 단일 데이터셋으로부터 많은 입출력 중첩을 추정하기 위해, 저자들은 "페어-블록 프로세스 섀도우" 기술을 사용한다. 모드들을 블록으로 쌍을 이루고 각 블록에 무작위 짝수 설정을 적용함으로써, 여러 전송 곡선을 동시에 추정할 수 있어 샘플 복잡도를 크게 줄인다.

3. 주요 결과

본 논문은 두 가지 구별된 시나리오에 대해 엄격한 학습 보증을 제공한다:

3.1 기하학적 학습 (알려진 그래프, 외부 모드 없음)

알려진 유계 차수 모드 그래프와 유한한 상호작용 범위 $r$을 가정할 때:

• 샘플 복잡도: 모든 정준 계수에 대해 진입점 오차(entrywise error) $\varepsilon$를 달성하기 위해, 프로토콜은 $\tilde{\mathcal{O}}(\bar{\alpha}^2 \varepsilon^{-2} \log(m/\delta))$ 샘플을 요구한다.
• 다이아몬드 노름 회복: 유효한 물리적 생성자를 다이아몬드 노름 오차 $\varepsilon$ 내에서 반환하기 위한 비용은 $m^2$만큼 증가하여 $\tilde{\mathcal{O}}(\bar{\alpha}^2 m^2 \varepsilon^{-2} \log(m/\delta))$가 된다.
• 서포트 회복: 임계값 설정(thresholding)을 통해 제로와 비제로 계수 사이에 간극이 존재한다면 정확한 서포트 회복이 가능하다.
• 하한선: 본 논문은 다이아몬드 노름 회복을 위한 $m^2$ 스케일링이 로그 및 기하학적 인자를 제외하면 신선한 시스템(fresh systems)에 대한 단시간 실험의 알려진 하한과 일치함을 입증한다.
• 참고: 그래프가 허용된 서포트를 고정하지만, 프로토콜은 비제로 계수의 구체적인 위치나 국소적 분해에 대한 사전 지식을 요구하지 않는다.

3.2 구조 학습 (미지의 그래프, 보조 모드)

상호작용 그래프를 알 수 없는 경우, 프로토콜은 시스템 모드당 하나의 유휴 보조 모드와 잠재적으로 비국소적 페어 연산을 허용한다:

• 근사 차수: 이 방법은 "근사 계수-차수" 경계 $d$(작은 꼬리 부분을 제외하고 단일 모드와 관련된 계수가 최대 $d$개임)를 가정한다.
• 샘플 복 복잡도: 프로토콜은 $\tilde{\mathcal{O}}_k(d^2 m^{\lfloor k/2 \rfloor} \varepsilon^{-2} \log(m/\delta))$ 샘플을 사용하여 국소 오차 $\varepsilon$를 달성한다.
• 출력: 추정된 계수는 국소 오차가 $\varepsilon$ 이내이며, 모드당 최대 $\mathcal{O}_k(d)$개의 비제로 항목을 포함한다. 이후의 볼록 최적화(convex fit)를 통해 유사한 오차를 가진 유효한 생성자를 반환할 수 있다.

3.3 확장

• 지수적 꼬리(Exponential Tails): 이 프레임워크는 지수적으로 감소하는 상호작용을 가진 모델로 확장되며, 샘플 복잡도에서 폴리로그(polylogarithmic) 수준의 오버헤드만을 발생시킨다.
• 예측: 기하학적 모델의 경우, 고정된 서포트를 가진 짝수 관측량을 고정된 시간과 정확도에서 로그 시스템 크기 샘플 복잡도로 예측할 수 있다.

4. 의의 및 주장

저자들은 다음의 기준을 동시에 만족하는 상호작용하는 국소 페르미온 린드블라디안을 학습하기 위한 최초의 일반적이고 확장 가능한 체계를 구축했다고 주장한다:

1. 패리티 호환성: 외부 패리티 참조 없이 오직 짝수 준비와 측정을 사용하여 패리티 초선택을 준수한다.
2. 국소성 보존: 큐비트-문자열 국소성에 의존하는 대신 페르미온 국소성(모드 서포트)을 유지한다.
3. 중단 없는 진화: 진화 중에 끼어드는 제어 없이 단시간 데이터에 의존하여 작동한다.
4. 표준 양자 한계 스케일링: 계수 학습을 위해 표준 양자 한계 샘플 스케일링($\varepsilon^{-2}$)을 달성한다.

이 연구는 이론적 학습 경계와 페르미온 시스템(예: 페르미-허버드 모델)의 물리적 제약 사이의 간극을 메우며, 국소적인 짝수 연산과 단시간 진화만을 사용하여 완전한 역학적 특성 규명이 가능함을 보여준다. 결과는 패리티 제약이 본질적인 초전도 회로 및 극저온 원자 플랫폼과 같은 분야에서 특히 중요하다.

본 논문은 기존 연구들이 상호작용하는 페르미온 시스템에 대해 국소 짝수 접근, 중단 없는 단시간 진화, 그리고 최적의 샘플 스케일링의 조합을 확립하지 못했음을 명시한다. 방법론은 연속체 자유 페르미온 포텐셜 학습 기법을 적응시키고, 내부 마커 교정 및 부호가 있는 역전을 통해 상호작용하는 린드블라디안으로 확장한다.