⚛️ 양자물리학

Reducing the Cost of Qudit State Preparation by Learning a Sparse Structure for SNAP Gates

본 논문은 희소성 페널티와 온도 어닐링(temperature annealing)을 적용한 미분 가능한 마스크를 사용하여 SNAP 게이트 위상의 최적값과 희소한 위치를 동시에 학습함으로써, 완전 매개변수화된 방식이나 사전 정의된 희소 방식과 비교하여 경쟁력 있는 충실도-자원 트레이드오프를 유지하면서 큐디트 상태 준비의 제어 복잡성을 줄이는 방법을 제안한다.

원저자: Marco Pennazio, Leonardo Ignazio Pagliochini, Riccardo Pellini, Maurizio Ferrari Dacrema, Paolo Cremonesi

게시일 2026-10-16

📖 3 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Marco Pennazio, Leonardo Ignazio Pagliochini, Riccardo Pellini, Maurizio Ferrari Dacrema, Paolo Cremonesi

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

차세대 컴퓨터가 구축되고 있는 조용하고 초저온 상태의 실험실에서, 과학자들은 규모의 문제를 해결하기 위해 노력하고 있습니다. 전통적인 컴퓨터는 켜져 있거나 꺼져 있을 수 있는 작은 스위치와 같은 비트(bit)를 사용합니다. 하지만 양자 컴퓨터는 양자 비트, 즉 큐비트(qubit)를 사용하며, 이는 두 가지 상태가 동시에 섞인 상태로 존재할 수 있어 고전적 기계가 할 수 없는 방식으로 정보를 처리할 수 있게 해줍니다. 이러한 기계를 더욱 강력하게 만들기 위해 연구자들은 큐디트(qudit)라고 불리는 변형 모델을 살펴보고 있습니다. 단 두 개의 상태만 갖는 대신, 큐디트는 마치 하나의 음을 내기 위해 눌릴 수 있는 피아노 건반과 비슷하지만, 이 경우에는 광자(photon)라고 불리는 특정 수의 입자를 담을 수 있는 용기처럼 여러 가지 다른 에너지 레벨을 동시에 가질 수 있습니다. 이러한 다층 구조의 용기를 사용함으로써, 과학자들은 더 적은 물리적 장치 안에 더 많은 정보를 담아 양자 회로를 더 단순하고 효율적으로 만들기를 희కి고 있습니다.

하지만 이러한 복잡한 양자 상태를 준비하는 것은 매우 어렵습니다. 큐디트를 계산에 필요한 정확한 구성으로 설정하기 위해, 연구자들은 정밀한 일련의 연산을 적용해야 합니다. 가장 흔한 방법 중 하나는 에너지를 이동시킨 후 상태를 구성하는 파동의 타이밍을 미세하게 조정하는 두 단계의 춤을 포함합니다. 디스플레이스먼트(displacement)라고 불리는 첫 번째 단계는 에너지 레벨을 이동시킵니다. 두 번째 단계는 SNAP 게이트라고 알려진 특수 도구를 사용하여 각 에너지 레벨에 고유한 시간 지연, 즉 위상(phase)을 적용합니다. 문제는 큐디트의 레벨이 많아질수록, 상태를 딱 맞게 만들기 위해 필요한 이러한 시간 지연의 수가 폭발적으로 증가한다는 점입니다. 만약 연구자가 모든 레벨을 독립적으로 제어하려고 시 한다면, 시스템은 너무 복잡해져서 요구되는 제어 신호가 길어지고, 보정하기 어려우며, 오류가 발생하기 쉬워집니다. 이는 마치 모든 연주자가 고유하고 끊임없이 변화하는 지시를 받아야 하는 거대한 오케스트라를 조율하는 것과 같습니다. 연주자가 많아질수록 실수 없이 모두의 박자를 맞추기가 더 어려워집니다.

이를 해결하기 위해 이탈리아의 폴리테크니코 디 밀라노(Politecnico di Milano) 연구진은 컴퓨터에게 어떤 지시가 실제로 필요한지 가르치는 새로운 방법을 개발했습니다. 모든 가능한 시간 지연을 제어하거나 경직된 사전 제작 패턴을 고수하는 대신, 그들은 학습하는 시스템을 만들었습니다. 그들은 이미 알려진 효율적인 제어 패턴에서 시작하여, '학습'이라는 층을 추가했는데, 이는 스마트한 필터 역할을 합니다. 이 필터는 훈련 과정 중에 어떤 특정 시간 지연이 당면한 과제에 유용한지, 그리고 어떤 것을 무시해도 되는지를 결정합니다. 이 시스템은 녹은 금속을 천천히 식혀 단단하고 견고한 형태를 갖추게 하는 것과 유사한 '온도 어닐링(temperature annealing)' 기술을 사용합니다. 처음에는 시스템이 '뜨겁고' 유연하여 많은 가능성을 탐색할 수 있습니다. 시스템이 식어감에 따라, 그것은 확고한 결정을 내리며, 유연한 필터를 필수적인 제어만을 유지하는 엄격한 온-오프(on-off) 스위치로 바꿉니다.

연구진은 이 학습법을 두 가지 유형의 대상 상태, 즉 매우 구조적이고 규칙적인 상태와 완전히 무작위인 상태를 대상으로 기존의 고정된 패턴들과 비교 테스트했습니다. 그들은 얼마나 많은 시간 지연이 필요한지 확인하기 위해 컴퓨터로 과정을 시뮬레이션했습니다. 결과는 구조적이고 규칙적인 상태에 대해 학습법이 현저히 더 효율적임을 보여주었습니다. 어떤 경우에는 기존의 가장 좋은 방법들과 비교했을 때, 최종 상태의 정확도를 희생하지 않으면서도 필요한 제어의 수를 거의 절반 가까이 줄였습니다. 예를 들어, 32개의 레벨을 가진 시스템을 다룰 때, 새로운 방법은 특정 고정밀 목표에 도달하기 위해 81개의 제어만 필요했던 반면, 기존의 최선책은 152개가 필요했습니다. 이러한 감소는 제어 수가 적을수록 신호가 더 짧고 단순해져 실제 기계에서 실패할 가능성이 낮아지기 때문에 매우 중요합니다.

그러나 이 이점은 보편적이지는 않았습니다. 연구진이 무작위적이고 혼돈스러운 상태에 대해 이 방법을 테스트했을 때, 결과는 더 엇갈렸습니다. 학습법이 일부 사례에서는 여전히 잘 작동했지만, 모든 시나리오에서 기존의 고정된 패턴을 일관되게 능가하지는 못했습니다. 이는 어떤 제어를 유지할지 학습하는 것의 이점이 처리되는 정보의 구체적인 유형에 크게 의존한다는 것을 시사합니다. 이 연구는 경직된 사전 정의 패턴이 종종 충분히 효과적일 수 있지만, 불필요한 복잡성을 솎아내도록 학습하고 적응할 수 있는 시스템이 더 효율적인 양자 컴퓨터를 구축하는 명확한 길을 제시한다는 것을 확인시켜 줍니다. 이 작업은 양자 제어 문제를 완전히 해결했다고 주장하는 것이 아니라, 기계에게 스스로의 지침에 대해 선택적으로 행동하도록 가르치는 것이 자원 절감에 상당한 도움을 줄 수 있음을 보여주며, 실용적인 양자 컴퓨팅의 꿈을 현실에 한 걸음 더 가깝게 가져다 놓았습니다.

기술 요약: SNAP 게이트의 희소 구조(Sparse Structure) 학습을 통한 큐디트(Qudit) 상태 준비 비용 절감

문제 정의
보존형 양자 컴퓨팅(Bosonic quantum computing)에서, $d$ -레벨 큐디트(초전도 공동에 인코딩된)의 임의의 양자 상태를 준비하는 데는 일반적으로 일련의 SNAP(Selective Number-dependent Arbitrary Phase) 게이트와 변위(displacement) 연산이 사용된다. 완전히 매개변수화된 안사츠(Ansatz)는 모든 SNAP 게이트의 모든 포크 레벨(Fock level)에 독립적인 위상을 할당한다. $d$ -차원 큐디트에 작용하는 $B$ 개의 SNAP 게이트 시퀀스의 경우, 이는 $B \times d$ 개의 독립적인 위상 매개변수를 발생시킨다. 이러한 매개변수의 급격한 증가는 근접 미래 시스템(Near-term systems)에 두 가지 결정적인 과제를 제기한다:

제어 복잡성: 많은 위상을 제어하려면 밀집된 주파수 성분을 가진 복잡한 제어 펄스가 필요하며, 이는 게이트 시간을 길게 만들고 교정(Calibration)을 어렵게 만든다.
오류 누적: 제어 복잡성이 증가하면 제어 오류와 노이즈에 대한 취약성이 높아진다.

기존 연구에서는 학습 가능한 위상을 사전 정의된 희소 패턴(예: Diagonal 또는 Grid 구조)으로 제한함으로써 이 문제를 해결했다. 그러나 이러한 휴리스틱 패턴은 훈련 전에 고정되어 있다. 결과적으로, 이들은 불필요한 위상을 유지하거나 특정 타겟 상태에 필수적인 위상을 제외할 수 있으며, 이는 충실도-자원 간의 트레이드오프(Fidelity-resource trade-off)를 제한할 가능성이 있다.

방법론
저자들은 필요한 SNAP 위상의 값과 위치를 모두 동적으로 결정하는 "학습 가능한(Learnable)" 방법을 제안한다. 이 접근 방식은 미분 가능한 마스킹(Differentiable masking)을 위한 머신 러닝 기술을 변분 양자 상태 준비 프레임워크에 통합한다.

미분 가능한 마스킹: 이 방법은 "Diagonal (adaptive)" 안사츠의 구조적 마스크(학습 가능한 위상의 사전 정의된 밴드)에서 시작한다. 두 번째 연속적인 "학습된 마스크"( $M_{learn}$ )가 도입되며, 각 항목은 학습 가능한 로짓(logit) $z_{b,f}$ 에 대응한다. 이 로짓들은 온도 파라미터 $\tau$ 를 가진 시그모이드 함수를 통해 $[0, 1]$ 구간으로 매핑된다.
결합 최적화: 게이트 매개변수(변위 진폭/위상 및 SNAP 위상)와 마스크 로짓은 Adam을 이용한 경사 하강법을 통해 공동으로 최적화된다. 목적 함수 $\mathcal{J}$ 는 상태 충실도를 최대화하는 동시에, 유지되는 위상의 개수와 큰 게이트 매개변수에 대해 페널티를 부여한다:
$\mathcal{J} = F(\vec{\alpha}, \tilde{\Theta}) - R_{gate} - R_{mask}$
마스크 정규화 항 $R_{mask}$ 는 활성 위상의 수를 근사하는 $\ell_1$ 항과 마스크 값이 중간값이 아닌 이진값(0 또는 1)이 되도록 유도하는 엔트로피 항을 포함한다.
온도 어닐링(Temperature Annealing): 연속적인 소프트 마스크를 이산적인 이진 결정으로 변환하기 위해, 기하학적 어닐링 스케줄을 사용하여 10,000 단계에 걸쳐 온도를 1에서 0.05로 점진적으로 낮춘다. 이는 시그모이드 함수를 날카롭게 만들어 마스크 항목이 0 또는 1로 수렴하도록 강제한다.
후처리: 훈련 후, 소프트 마스크는 이진 하드 마스크로 임계 처리된다. 이후 고정된 이진 마스크 하에서 게이트 매개변수를 최적화하기 위한 짧은 미세 조정(Fine-tuning) 단계(200 단계)가 뒤따르며, 이를 통해 최종 구성이 물리적으로 구현 가능하도록 보장한다.

주요 기여

적응형 위상 선택: 고정된 구조적 마스크를 가진 기존의 희소 안사츠와 달리, 이 방법은 특정 타겟 상태를 위해 시작 휴리스틱 구조 내의 어떤 위상이 필요한지를 학습한다.
미분 가능한 희소성: 온도 어닐링을 갖춘 미분 가능한 마스크의 도입은 메인 훈련 루프 동안 이산적이고 미분 불가능한 연산 없이 엔드 투 엔드(End-to-end) 방식으로 위상 희소성을 최적화할 수 있게 한다.
포괄적 평가: 이 방법은 Fourier-5 및 Haar-random 타겟 상태에 대해 큐디트 차원 $d \in \{8, 16, 32\}$ 에서 완전히 매개변수화된 안사츠 및 사전 정의된 희소 안사츠(Diagonal adaptive/multiple, Grid)와 비교 평가된다.

결과
평가는 불충실도( $I$ )와 활성 SNAP 위상 수 사이의 트레이드오프를 중심으로 이루어지며, 이는 특정 임계값에서의 최소 위상 수, 파레토 프런티어(Pareto frontiers), 그리고 하이퍼볼륨(Hypervolume) 지표를 통해 측정된다.

위상 감소: Learnable 방법은 여러 구성에서 베이스라인에 비해 필요한 SNAP 위상 수를 일관되게 줄인다.
- Fourier-5 상태의 경우, 특히 더 큰 차원( $d=16, 32$ )과 중간 불충실도( $10^{-2}$ ~ $10^{-4}$ ) 영역에서 상당한 이득을 보인다. 예를 들어, $d=32$ 이고 $I \le 10^{-3}$ 일 때, Learnable은 최적의 베이스라인인 152개에 비해 81개의 위상만을 필요로 하여 약 47%의 감소를 보여주었다.
- Haar-random 상태의 경우, 결과가 더 섞여 있다. Learnable은 $d=8$ 및 $d=16$ 에서 엄격한 개선을 달성했으나, $d=32$ 에서는 보고된 어떤 임계값에서도 최소 위상 수를 달성하지 못해 경쟁력이 다소 떨어졌다.
파레토 프런티어 및 하이퍼볼륨:
- Fourier-5 상태에 대해, Learnable은 중간 불충실도 영역( $10^{-2}$ ~ $10^{-4}$ )에서 Diagonal (adaptive) 베이스라인보다 더 나은 트레이드오프를 제공하며 명확한 우위를 점한다.
- $I \le 10^{-3}$ 으로 제한된 하이퍼볼륨 분석에서, Learnable은 모든 차원에 걸쳐 Fourier-5 상태에 대해 가장 높은 평균 하이퍼볼륨을 달est했다.
- Haar-random 상태의 경우, Diagonal (adaptive) 베이스라인이 전체 범위에서 종종 더 높은 하이퍼볼륨을 유지했으나, Learnable 또한 특정 영역에서는 경쟁력을 유지했다.
지속 시간(Duration): 감소된 위상 수가 항상 더 짧은 게이트 지속 시간으로 이어지는 것은 아니었는데, 이는 지속 시간이 블록 전반의 위상 분포에 따라 달라지기 때문이다. 그러나 몇몇 유리한 사례(예: $d=32$ 에서의 Fourier-5)에서는 Learnable이 더 적은 위상과 더 짧은 지속 시간을 모두 달성했다.

의의 및 주장
본 논문은 위상의 값과 함께 위치를 학습하는 것이 정적인 희소 패턴에 비해 경쟁력 있거나 개선된 충실도-자원 트레이드오프를 제공한다고 주장한다. 저자들은 이 이점이 **상태 의존적(State-dependent)**이며 **차원 의존적(Dimension-dependent)**임을 강조한다.

이 방법은 구조화된 상태(Fourier-5와 같은)와 근접 미래 응용 분야와 관련된 중간 불충실도 영역에서 가장 효과적이다.
고차원에서의 매우 무작위적인 상태(Haar)에 대해서는 이점이 감소하는데, 이는 초기 휴리스틱 구조(Diagonal adaptive)가 해당 케이스들에 대해 이미 최적에 가깝거나, 마스크와 매개변수의 공동 학습을 위한 최적화 지형(Optimization landscape)이 더 어려워짐을 시사한다.
본 연구는 미분 가능한 마스킹이 보존형 상태 준비에서 제어 오버헤드를 줄이기 위한 실행 가능한 전략임을 입증하지만, 현재는 완전히 새로운 토폴로지를 발견하기보다는 기존 구조를 가지치기(Pruning)하는 방식으로 작동한다.

저자들은 이 방법이 사전 정의된 희소 안사츠보다 개선된 성능을 보이지만, 그 이점의 크기는 특정 타겟 상태와 불충실도 범위에 크게 의존한다고 결론지었다. 향 a 연구로는 더 넓은 초기 구조와 현실적인 노이즈 제약 조건을 탐구하는 것이 제안되었다.

유사한 논문