Steering the Fidelity in State Preparation on Noisy Bosonic Systems with Risk-Seeking Optimization

기술 요약: 노이즈가 있는 보존 시스템의 상태 준비에서 충실도 제어 - 위험 추구형 최적화(Risk-Seeking Optimization)를 중심으로

문제 정의
보존 양자 컴퓨팅(Bosonic quantum computing)에서 알고리즘을 실행하려면, '상태 준비(state preparation)'라고 알려진 과정을 통해 입력을 특정 타겟 양자 상태로 인코딩해야 합니다. 현실적인 노이즈 환경에서는 물리적 공동(cavity) 내의 광자 손실로 인해 시스템의 진화가 비결정론적으로 변합니다. 결과적으로, 준비된 상태는 단일 순수 상태가 아니라, 특정 광자 손실 시퀀스에 대응하는 순수 상태들의 확률적 앙상블인 혼합 상태(mixed state)가 됩니다.

SNAP-Displacement (SD) 프로토콜과 같은 기존의 상태 준비 방식은 일반적으로 출력 밀도 행렬과 타겟 상태 사이의 *평균 충실도(average fidelity)*를 최대화하도록 변분 안사츠(variational ansatz)를 최적화합니다. 이 접근 방식은 효과적으로 모든 가능한 노이즈 궤적(trajectories)에 대해 평균을 냅니다. 저자들은 이러한 표준 최적화가 앙상벨 전체의 충실도 분포를 고려하지 못한다는 점을 지적합니다. 구체적으로, 이는 높은 충실도를 가진 상태를 얻을 확률을 직접적으로 제어할 수 없으며, 결과적으로 평균 충실도는 최대화될 수 있지만, 단일 실험 실행에서 매우 낮은 불충실도(고정밀도)를 달一个 확률은 미미한 수준에 머무는 경우가 많습니다.

방법론
이러한 한계를 해결하기 위해, 저자들은 강화 학습 및 금융 분야에서 개발된 위험 민감 최적화(risk-sensitive optimization) 프레임워크를 노이즈가 있는 양자 상태 준비 영역에 적용했습니다. 평균 충실도(기댓값)를 최적화하는 대신, 고충실도 결과를 선호하도록 충실도 분포의 특정 특성을 최적화하는 방안을 제안합니다.

핵심 방법론은 다음과 같습니다:

1. 궤적별 샘플링(Trajectory-Wise Sampling): 밀도 행렬을 진화시키는 대신, 저자들은 개별 양자 궤적을 샘플링하여 시스템을 시뮬레이션합니다. 각 SD-안사츠 단계(Displacement 및 SNAP 게이트의 시퀀스)에서, 특정 횟수의 광자 손실에 해당하는 크라우스 연산자(Kraus operator)를 그 확률에 따라 샘플링합니다. 이를 통해 해당 궤적에 대한 순수 상태를 얻습니다.
2. 위험 추구형 목적 함수(Risk-Seeking Objectives): 저자들은 **엔트로피 위험 측정치(entropic risk measure)**를 기반으로 두 가지 목적 함수를 도입합니다:
   • 충실도 엔트로피 위험(Fidelity Entropic Risk): 순수 상태 충실도($F$)에 직접 위험 측정치를 적용합니다.
   • 로그 불충실도 엔트로피 위험(Log-Infidelity Entropic Risk): 음의 로그 불충실도($-\log(1-F)$)에 위험 측정치를 적용합니다.
     두 목적 함수 모두 위험 계수 $\beta > 0$를 사용합니다. 양수 $\beta$는 위험 추구적 행동을 유도하여, 저충실도 궤적보다 고충실도 궤적에 더 높은 가중치를 부여합니다. $\beta$가 증가함에 따라, 최적화는 전체 평균 충실도를 희생하더라도 충실도가 1에 가까운 궤적들을 우선시하게 됩니다.
3. 그래디언트 추정(Gradient Estimation): 가능한 궤적의 수가 조합론적으로 증가하기 때문에 정확한 그래디언트 계산은 불가능합니다. 저자들은 **확률적 계산 그래프(Stochastic Computation Graphs, SCGs)**를 사용하여 편향되지 않은 몬테카를로 그래디언트 추정기를 구축합니다. 이 추정기는 모델 파라미터에 대한 목적 함수의 이중 의존성(특정 궤적을 샘플링할 확률과 해당 궤적의 충실도 값)을 모두 고려합니다.

주요 기여

• 상태 준비의 재정의: 본 논문은 최적화 패러다임을 평균 충실도 극대화에서 충실도 분포를 형성하는 것으로 전환하며, 고충실도 상태를 얻을 확률을 명시적으로 목표로 삼습니다.
• 위험 민감 최적화의 적응: 본 연구는 엔트로피 위험 측정치를 SNAP-Displacement 프로토콜에 성공적으로 적용하여, 결과의 분포에 직접적인 영향을 미치는 궤적별 목적 함수를 도입했습니다.
• 제어 가능한 트레이드오프: 연구는 위험 계수 $\beta$가 튜너블(tunable) 파라미터로서, 앙상블의 평균 충실도와 특정 저불충실도 임계값에 도달할 확률 사이의 트레이드오프를 탐색할 수 있게 해준다는 것을 보여줍니다.

결과
저자들은 8레벨 큐딧(qudit)과 4개 블록의 SD-안사츠를 가진 시뮬레이션된 보존 시스템(광자 손실 $T_1 = 1$ ms)을 사용하여 접근 방식을 평가했습니다. 100회의 독립적인 최적화 실행에 대해 위험 추구형 목적 함수를 표준 평균 충실도 베이스라인과 비교했습니다.

• 불충실도 감소: 위험 추구형 목적 함수를 사용했을 때, 최소 달성 가능 순수 상태 불충실도는 표준 평균 충실도 방식에 비해 최대 **4개 차수(orders of magnitude)**까지 감소했습니다. 예를 들어, 평균 충실도 베이스라인은 대부분의 실행에서 불충실도를 $10^{-2}$ 미만으로 낮추는 데 어려움을 겪었지만, 위험 추구형 목적 함수는 $10^{-6}$의 임계값에 성공적으로 도달했습니다.
• 목적 함수의 성능:
  • 충실도 엔트로피 위험 목적 함수는 주어진 불충실도에 대해 가장 높은 $\epsilon$-확률(임계값 $\epsilon$ 미만의 궤적을 샘플링할 확률)을 달성했습니다(특히 높은 $\beta$ 값에서). 그러나 가장 낮은 임계값에 도달하기 위해서는 매우 큰 $\beta$ 값이 필요했으며, 극단적인 목표치에 대해서는 성공률(해당 임계값에 도달한 실행의 백분율)이 낮게 유지되었습니다.
  • 로그 불충실도 엔로피 위험 목적 함수는 더 유리한 균형을 보여주었습니다. 이 방식은 다른 방법들보다 다양한 임계값에서 더 높은 **성공률(Success Rate, SR)**을 달성했습니다. 예를 들어, $\beta=1.0$일 때 불충실도 임계값 $10^{-4}$에 대해 80%의 성공률을 기록했습니다. 다만, 일반적으로 충실도 엔트로피 위험보다는 약간 낮은 $\epsilon$-확률을 보였습니다.
• 트레이드오프 역학: $\beta$를 높이면 최소 불충실도 임계값은 일관되게 낮아졌지만, 일반적으로 평균 충실도는 감소하고 표준 편차는 증가했습니다. 또한, 높은 $\beta$가 더 낮은 임계값을 허용하긴 하지만, 더 큰 임계값에 대해서는 $\epsilon$-확률을 감소시키고 결국 성공률이 포화되는 경향을 보였는데, 이는 위험 추구 행동을 높이는 것의 이점에 한계가 있음을 나타냅령다.

의의 및 주장
본 논문은 위험 추구형 최적화가 특정 애플리케이션 요구 사항에 맞춰 상태 준비를 조정할 수 있는 유연한 프레임워크를 제공한다고 주장합니다. 주요 의의는 최적화 과정의 신뢰성(성공률), 고충실도 상태를 얻을 확률($\epsilon$-확률), 그리고 충실도 요구 사항의 엄격함(불충실도 임계값) 사이의 트레이드오프를 제어할 수 있다는 점에 있습니다.

저자들은 표준 최적화가 모든 노이즈 궤적에 대한 "절충안"을 찾는 반면, 위험 추구형 최적화는 충실도를 극대화할 수 있는 특정 궤적 집합을 우선시함으로써 실질적으로 시스템을 고충실도 결과 쪽으로 "조종(steering)"할 수 있다고 강조합니다. 이는 앙상블 평균을 희생하면서도 특정 목적을 달성할 수 있게 합니다. 본 연구는 높은 평균 충실도보다 특정 확률로 고충실도 상태를 얻는 것이 중요한 응용 분야에서 위험 민감 목적 함수가 더 우수한 운영 지점을 제공함을 시사합니다. 저자들은 관찰된 동작들이 일반화될 수 있는지 확인하기 위해, 다양한 타겟 상태, 더 큰 포크 공간(Fock-space) 차원 및 다양한 노이즈 모델에 걸쳐 추가적인 조사가 필요함을 언급하며 겸허히 결론을 맺었습니다.