기술 요약: 선형 광학 양자 회로의 광자 손실에 대한 충돌 인지 베이지안 완화 기법

1. 문제 정의

광자 손실은 선형 광학 양자 회로(LOQC), 특히 보존 샘플링(Boson Sampling) 실험에서 지배적인 노이즈 소스입니다. 디페이징(dephasing)과 달리, 손실은 광자를 완전히 사라지게 하여 이상적인 $n$-광자 출력 패턴을 광자 수가 더 적은 결과로 변형시킵니다. 이러한 왜곡은 광자 수가 증가함에 따라 이상적인 무손실 분포를 찾는 것을 기하급수적으로 어렵게 만들며, 이로 인해 표준적인 포스트셀렉션(postselection, 손실된 이벤트를 폐기하는 방식)은 현실적인 손실률에서 매우 비효율적이 됩니다.

Mills와 Mezher가 제안한 "재활용(recycling)" 프레임워크(Quandela의 photon_recycling으로 구현됨)를 포함한 기존의 고전적 완화 전략들은 손실된 샘플에 가중치를 다시 부여하여 무손실 확률을 복구하려고 시도합니다. 그러나 이 접근 방식은 두 가지 결정적인 한계를 가집니다:

1. 통계적 편향(Statistical Bias): 재활용 추정치는 그 복원 과정에서의 근사(예: 간섭 항을 기대값으로 대체하거나 휴리스틱한 지수 외삽을 사용하는 것)로 인해 본질적으로 편향되어 있습니다. 이 편향은 샘플 수 $N \to \infty$가 되더라도 사라지지 않습니다.
2. 구조적 제한(Structural Restriction): 재활용 커널은 각 출력 모드에 최대 하나의 광자만 존재하는 "무충돌(no-collision, NC)" 영역을 가정합니다. 실제 보존 샘플링 출력은 홍-오-만델(Hong–Ou–Mandel) 번칭 현상으로 인해 단일 모드에 여러 광자가 존재하는 "충돌(collision)" 상태를 빈번하게 나타냅니다. 재활용 방식은 이러한 샘플을 처리할 수 없으며, 이를 폐기하는 것은 데이터와 정보의 상당 부분을 희생하는 결과를 초래합니다(예: $n=4, m=10$에서 충돌 패턴이 무손실 출력 질량의 71%를 차지하는 경우).

2. 방법론

저자들은 원시 손실된 검출기 계수(counts)를 개별 광자에 대한 베르누이 손실 모델 하의 다항 분포(Multinomial) 관측치로 취급하는 **충돌 인지 베이지안 프레임워크(collision-aware Bayesian framework)**를 제안합니다.

순방향 모델 (Forward Model)

이 방법은 광자 손실을 생존 확률 $1-\eta$를 가진 독립적인 개별 광자 베르누이 채널로 모델링합니다.

• 무충돌 영역 (No-Collision Regime): 이 모델은 입력 및 출력 벡터가 이진($s, y \in \{0, 1\}^m$)인 경계 사례로서 재활용 커널을 복구합니다.
• 충돌 인지 영역 (Collision-Aware Regime): 이 프레임워크는 전체 약성 조성(weak compositions) 공간($\sum s_i = n$인 $s \in \mathbb{Z}_{\ge 0}^m$)으로 확장됩니다. 이는 모드 내 광자의 교환 가능성을 고려하는 개별 모드 이항 손실 인자 $\binom{s_i}{y_i}$를 포함합니다. 이상적인 분포 $p$와 손실률 $\eta$에 대해 $y$가 관측될 가능도(likelihood)는 다음과 같습니다:
  $$\pi_y(p, \eta) = \eta^k (1-\eta)^{n-k} \sum_{s \in G_{\text{coll}}(y)} \left[ \prod_{i=1}^m \binom{s_i}{y_i} \right] p(s)$$
  여기서 $k$는 손실된 광자 수이며, $G_{\text{coll}}(y)$는 $y$를 생성할 수 있는 유효한 무손실 상태들의 집합입니다.

추론 (Inference)

저자들은 가중치 재부여를 통해 점 추정량을 도출하는 대신, 베이즈 정리를 사용하여 이상적인 분포 $p$와 손실률 $\eta$의 **결합 사후 분포(joint posterior)**를 추론합니다:
$$\Pr(p, \eta \mid c) \propto \prod_{y \in Y} \pi_y(p, \eta)^{c(y)} \cdot \Pr(p) \cdot \Pr(\eta)$$

• 사전 분포 (Priors): 대칭 디리클레 사전 분포($\alpha=1$)와 베타 사전 분포($\beta=1$)를 사용합니다.
• 샘플링: 커널의 희소 인시던스 표현(sparse incidence representation) 상에서 No-U-Turn Sampler(NUTS)를 사용하여 사후 분포를 샘플링합니다. 이 표현 방식은 내부 루프의 계산 비용을 $O(K \cdot |Y|)$에서 $O(E + K)$로 줄여, 패턴 공간 $K \approx 8855$까지 추론을 가능하게 합니다.

3. 주요 기여

본 논문은 세 가지 주요 기여를 합니다:

1. 재구성 오차 감소: 다항 가능도를 통해 순방향 모델을 직접 피팅함으로써, 베이지안 접근 방식은 재활용 추정치에 내재된 간섭 항 치환 및 재가중치 근사 문제를 피합니다. 이는 재활용 및 포스트셀렉션 방식에 비해 더 낮은 쿨백-라이블러(KL) 발산 및 평균 제곱 오차(MSE)를 달성합니다.
2. 충돌 영역 지원: 이 프레임워크는 재활용 방식이 처리할 수 없는 충돌 상태를 자연스럽게 다룹니다. 충돌이 빈번한 영역에서 베이지안 사후 분포는 재활용 방식이 추정할 수 없는 손실률과 충돌 패턴 확률을 성공적으로 복구하며, 동시에 더 낮은 재구성 오차를 유지합니다.
3. 실행 가능한 불확실성 정량화: 점 추정치 기반의 베이스라인과 달리, 결합 사후 분포는 재구성된 분포 $p$와 손실률 $\eta$ 모두에 대한 신뢰 구간을 제공합니다. 이를 통해 사후적 커버리지 분석(retrospective coverage analysis)이 가능해지며, 다양한 노이즈 조건 하에서 구간이 실제 분포를 얼마나 잘 포착하는지 밝힐 수 있습니다.

4. 실험 결과

실험은 이전 연구의 규모와 일치하는 독립적인 Perceval 시뮬레이터(SLOS 엔진) 데이터를 사용하여 수행되었습니다: $n=4$ 광자, $m=20$ 모드(무충돌 헤드라인) 및 $n=4, m=10$ 모드(충돌 인지)입니다.

• 무충돌 벤치마크 ($n=4, m=20$):

  • 베이지안 사후 분포는 테스트된 모든 손실률($\eta \in \{0.3, 0.7, 0.9\}$)과 비구별성 수준($V \in \{1.0, 0.8\}$)에서 가장 낮은 KL 발산을 달enc성했습니다.
  • 재활용 추정치는 "재구성 오차 평탄 구간"(예: $\eta=0.3$에서 KL $\approx 0.31-0.33$ nats)을 보였으며, 이는 샘플 수 $N$이 증가해도 감소하지 않는 본질적인 편향을 확인시켜 줍니다.
  • 베이지안 오차는 $N$이 증가함에 따라 계속 감소하였고(예: $N=10^4$에서 0.348에서 $N=2\times 10^5$에서 0.068로), 재활용 방식과의 격차를 벌렸습니다.
  • 포스트셀렉션은 높은 손실률에서 유효 샘플 크기의 붕괴로 인해 성능이 저조했습니다.

• 충돌 인지 벤치마크 ($n=4, m=10$):

  • 재활용 방식은 구조적으로 적용 불가능했습니다(무손실 출력 질량의 71%를 폐기해야 함).
  • 베이지안 사후 분포는 손실률을 정확하게($\hat{\eta} = \eta$) 복구하였으며, 높은 손실률에서 포스트셀렉션보다 현저히 낮은 KL 발산을 달성했습니다.
  • 낮은 손실률에서는 베이지안 방식이 포스트셀렉션과 유사한 성능을 보였으며, 비구별성에 따라 약간의 차이가 있었습니다.

• 불확실성 정량화:

  • 95% 신뢰 구간은 무충돌 헤드라인에서 0.88–0.96의 경험적 커버리지를 보여주었습니다.
  • 부분적 광자 구별 가능성($V < 1$)이 있는 영역에서, 구간은 실제 데이터 생성 분포인 $p_V$를 올바르게 포괄했으나, 이상적인 무손실 분포 $p^*$에 대해서는 과소 커버리지를 보였습니다. 이는 추정기의 실패가 아니라 타겟의 변화를 반영하는 것입니다.

5. 의의 및 주장

본 논문은 이 베이지안 프레임워크가 선형 광학 양자 회로를 위한 기존의 고전적 완화 기술에 대해 **유한 샘플 이점(finite-sample advantage)**을 제공한다고 주장합니다.

• 재활용 대비 우월성: 간섭 항 근사로 인한 구조적 편향과 충돌 이벤트를 폐기함으로써 발생하는 데이터 손실을 제거합니다.
• 확장성: 현재의 정확한 NUTS 샘플링은 매우 큰 $N$ 또는 $K$에서 계산적 한계에 직면할 수 있으나(변분 추론과 같은 향후 근사 추론 방법 필요), 현재 구현은 현재의 실험적 시연 규모($n=4$)에서 실행 가능합니다.
• 강건성: 다광자 방출 하에서도 성능이 완만하게 저하되며, 부분적 구별 가능성 하에서 타겟 분포의 변화를 정확히 식별합니다.
• 한계: 저자들은 결과가 점근적 무편향성(asymptotic unbiasedness)이 아닌 유한 샘플 개선을 입증한다는 점을 명시했습니다(이를 위해서는 모집단 한계 분석이 필요함). 또한, 현재 방식은 균일한 개별 광자 손실을 가정하며, 가능도 자체 내에서 모드별 손실이나 부분적 구별 가능성을 모델링하지는 않습니다(다만 데이터 변화는 처리합니다).

이 연구는 기존의 재활용 방식의 핵심적인 공백을 메우며, 충돌 영역에서도 유효하고 엄격한 불확실성 정량화를 제공하는 새로운 광자 손실 완화 기준을 제시합니다.