Binary Optimization of Measurement Groupings for Quantum Energy Estimation

기술 요약: 양자 에너지 추정을 위한 측정 그룹의 이진 최적화

문제 정의
변분 양자 알고리즘(Variational Quantum Algorithms)에서 양자 상태의 에너지를 결정하려면 기댓값을 추론하기 위해 반복적인 측정이 필요합니다. 이러한 샘플링 비용은 특히 큐비트 해밀토니안이 많은 파울리 항(Pauli terms)으로 구성된 전자 구조 문제에서 계산 자원을 지배하는 주요 요인이 됩니다. 호환 가능한(가환하는) 파울리 항들은 여러 번의 회로 실행을 줄이기 위해 동시에 측정될 수 있지만, 이러한 그룹 내의 통계적 변동은 목표 정밀도를 달달성하기 위해 필요한 총 샷(shot) 수를 결정합니다. 정렬 삽입(Sorted Insertion, SI)과 같은 기존 전략은 상태 독립적인 휴리스틱에 의존하는 경우가 많아, 상태 의존적 상관관계를 충분히 고려하지 못합니다. 또한, 중첩된 측정 전략(파울리 항이 여러 그룹에 기여할 수 있는 방식)은 비중첩 분할보다 분산을 줄일 수 있지만, 일반적으로 후속 계수 분할(coefficient splitting)에 최적화되지 않은 비중첩 초기화를 사용하는 경래가 있습니다.

방법론
저자들은 측정 그룹 설계를 세 가지 수준의 최적화로 구분되는 고전적 이진 최적화 문제로 정식화합니다: (I) 비중첩 그룹 구축, (II) 분산 정보가 포함된 초기화를 통한 중첩 계수 최적화, (III) 중첩된 측정 서포트(support)의 직접 탐색.

1. 비중첩 그룹화 (MILP): 저자들은 파울리 단어의 가환 그래프(vertices는 항을, edges는 가환성을 나타냄)를 모델링합니다. 이들은 상태 의존적 공분산에 따라 그룹 분산의 표준 편차 합에 의존하는 측정 비용 목적 함수 $\varepsilon^2 M$을 정의합니다. 이를 해결하기 위해, 그래프 채색(graph coloring) 및 탐욕적 분할(greedy partition)로부터 유도된 후보 클리크(compatible groups) 풀을 구성합니다. 그 후, MILP(혼합 정수 선형 계획법)를 사용하여 측정 비용을 최소화하는 일련의 비중첩 클리크를 선택합니다. 이 접근 방식은 최적화 중에 근사 공분산(예: CISD)을 사용하지만, 성능 평가는 정확한 공분산을 사용하여 수행됩니다.
2. 반복적 계수 분할 (MILP-ICS): 최적화된 비중첩 그룹은 반복적 계수 분할(ICS)을 위한 초기값 역할을 합니다. 이 단계에서는 해밀토니안을 보존하면서 분산을 최소화하도록 계수를 그룹 간에 재분배하며, 이를 통해 중첩된 서포트를 허용합니다.
3. 직접 중첩 최적화 (O-clique): 저자들은 중첩된 서포트를 직접 최적화하는 방법인 "O-clique"를 도입합니다. O-clique는 멤버십 행렬을 직접 최적화하는 대신, (MILP 및 SI로부터 얻은 것을 포함한) 유한한 후보 클리크 풀을 선택하고 계수 프로파일을 동시에 최적화합니다. 이는 해밀토니안 재구성을 만족하도록 연속적인 승수(multipliers)가 사전 정의된 계수 프로파일을 스케일링하는 선형 MILP로 정식화됩니다. 이 방법은 최종적인 짧은 ICS 정제 전, 프로파일을 초기화하기 위해 휴리스틱(상대 표준 편차, 상대 분산 또는 Softmax)을 사용합니다.

주요 결과
본 연구는 분자 해밀토니안(예: H4, LiH, MgO) 및 격자 모델(Fermi–Hubbard, Kitaev–Heisenberg–$\Gamma$, XYZ)에 대해 이 방법들을 벤치마킹했습니다.

• 비중첩 최적화: MILP 기반 그룹화는 분자 벤치마크 전반에서 정렬 삽입(SI) 대비 비중첩 측정 요구량($\varepsilon^2 M$)을 평균 51.8% 감소시켰습니다.
• 중첩 방법을 위한 초기화: SI로부터 초기화된 ICS(SI-ICS)보다 MILP 그룹으로 초기화된 ICS(MILP-ICS)가 유의미한 개선을 보였습니다. 논문은 평균 성능 비율 $R = 3.79$ (여기서 $R = \varepsilon^2 M(\text{SI}) / \varepsilon^2 M(\text{Method})$)를 보고하였으며, MgO의 경우 최대 비율이 8.42에 달해 SI 초기화 대비 측정 비용이 대폭 감소했음을 나타냈습니다.
• 전이성(Transferability): 최적화된 그룹화는 인접한 분자 기하 구조에 대해서도 강건함을 보여줍니다. 퍼텐셜 에너지 표면 스캔을 위해 재사용될 때, MILP 그룹화는 재최적화 없이도 SI 대비 상당한 절감 효과(예: H4의 경우 39.7% 감소)를 유지합니다. 간단한 휴리스틱 정제(MILP-R)는 먼 거리의 기하 구조에서도 성능 저하를 더욱 완화합니다.
• 직접 중첩 최적화 (O-clique): O-clique는 테스트된 시스템 전반에서 (100회의 반복 후) SI-ICS 대비 측정 요구량을 16.0%~41.3% 감소시켰습니다. 이는 단 5회의 최종 계수 정제 반복만으로도 달성되었습니다. 이는 O-clique가 단순히 확장된 계수 최적화의 이점을 얻는 것이 아니라, 더 우수한 중첩 서포트를 식별한다는 것을 시사합니다. 그러나 이미 최적화된 MILP-ICS 베이스라인 대비 증가분은 미미하여(일반적으로 <10%), 추가적인 클래식 탐색 비용 대비 수익 체감(diminishing returns)이 발생함을 보여줍니다.
• 격자 해밀토니안: SI 기반 전략 대비 MILP 기반 그룹화의 우월성은 질적으로 다른 상호작용 구조를 가진 격자 모델에서도 확장됩니다.

의의 및 주장
본 논문은 분자 및 격자 해밀토니안 모두에서 분산 정보 기반의 측정 그룹 구조 최적화가 샘플링 비용을 실질적으로 줄일 수 있다고 주장합니다. 저자들은 다음과 같이 제언합니다:

1. 최적화된 비중합 그룹은 중첩 방법(overlapping methods)을 위한 강력하고 전이 가능한 초기값을 제공하며, 표준 휴리스틱보다 뛰어난 성능을 보입니다.
2. 중첩된 서포트를 직접 최적화하는 것(O-clique)은 더 우수한 서포트 구조를 식별함으로써 추가적인 이득을 제공하지만, 잘 초기화된 ICS(MILP-ICS) 대비 이점은 제한적입니다.
3. 클래식 최적화 시간과 양자 측정 절감 사이의 트레이드오프를 고려할 때, 초기화를 위해 MILP를 사용하는 것이 타당하며, O-clique는 추가적인 클래식 자원이 있을 때 사용하는 이차적인 정제 단계로 활용될 수 있습니다.

본 연구는 상태 독립적인 휴리스틱을 넘어 분산 인식 이진 최적화로 나아가는 것이 변분 양자 알고리즘의 샘플링 병목 현상을 완화하기 위한 유효한 전략임을 입증합니다.