Symmetry-Preserving and Scalable Variational Circuits for the Lattice Gross-Neveu Model

기술 요약: 격자 그로스-뇌뉴 모델을 위한 대칭 보존 및 확장 가능한 변분 회로

문제 정의
본 논문은 $N_f$개의 상대론적 페르미온 맛(flavor)이 국소적인 4-페르미온 상호작용에 결합된 (1+1)차원 격자 그로스-뇌뉴(Gross-Neveu) 모델의 바닥 상태 및 섹터별 들뜬 상태를 준비하는 과제를 다룹니다. 텐서 네트워크 방법(예: Matrix Product States, DMRG)은 1차원 시스템에 매우 효과적이지만, 양자 시뮬레이션은 유니터리 시간 진화 및 산란 계산을 위한 직접적인 경로를 제공합니다. 그러나 기존의 변분 양자 고유값 솔버(VQE) 제안들은 해밀토니안의 대칭성, 즉 총 페르온 수($N$)와 개별 맛의 수($N_b$)의 보존을 위반하는 하드웨어 효율적 안사츠(ansatz)를 사용하는 경우가 많습니다. 저자들은 이러한 대칭성을 엄격히 보존하여 준비 정확도를 향고하고, 회로 구조 선택 문제를 해결하면서 이러한 제약을 유지할 수 있는 확장 가능한 적응형 접근 방식(SC-ADAPT-VQE)을 개발하고자 합니다.

방법론
저자들은 열린 경계 조건을 가진 스태거드 페르미온(staggered fermions)을 사용하여 격자 해밀토니안을 정의합니다. 이들은 상태 준비를 위해 두 가지 구별된 접근 방식을 제안합니다:

1. 대칭 보존 고정 변분 안사츠 (Symmetry-Preserving Fixed Variational Ansätze):

   • 참조 상태: 두 계열 모두 특정 전하 섹터를 만족하며 홀수 사이트가 채워진 계산 기저 상태에서 시작합니다.
   • 총 수 보존 (TNC): 맛 사이의 점유 이동을 허용하면서 총 수 $N$을 보존하는 "B" 블록을 사용합니다.
   • 맛의 수 보존 (FNC): 동일한 맛의 쌍에는 "B" 블록을, 교차 맛 쌍에는 "D" 블록을 사용합니다. D 블록은 점유를 전달하지 않으면서 교차 맛 상관관계를 도입하여, 모든 개별 맛의 수 $N_b$를 엄격하게 보존합니다.
   • 구조: 두 계열은 동일한 회로 그래프, 레이어 구성 및 국소 위상 매개변수화를 공유합니다. FNC 계열은 교차 맛 교환 매개변수를 제거함으로써 더 강력한 제약을 가합니다.

2. SC-ADAPT-VQE (Scalable Circuit-ADAPT-VQE):

   • 풀(Pool) 구성: 저자들은 그로스-뇌뉴 해밀토니안에서 유도된 문제 특화형 생성자 풀을 구성합니다. 여기에는 다음이 포함됩니다:
     • 질량-호핑 부피 및 표면 생성자.
     • 상호작용-호핑 생성자, 특히 상호작용과 호핑 항의 교환자(commutator)로부터 유도된 교차 맛 계열.
   • 확장성: 풀은 평행 이동된 벌크 합(bulk sums)과 경계 민감형 표면 보정으로 구성됩니다. 고정된 맛의 수와 범위 캡(range caps)에 대해, 공유되는 변분 매개변수의 수는 부피와 무관하게 유지되는 반면, 사전 컴파일된 국소 인자(local-factor)의 수는 부피에 따라 선형적으로 증가합니다.
   • 선택: 연산자는 에너지 그래디언트($g_{FD}$)를 기반으로 선택되며, 추가된 후에는 매번 재최적화됩니다.

주요 기여

• 대칭 강제 구조: 맛의 수 보존을 엄격히 강제하는 고정 안사츠를 구축하여, 변분 탐색을 올바른 대칭 섹터로 제한하는 것이 총 수 보존 또는 비대칭 보존 방식보다 에너지 정확도를 향상시킨다는 것을 입증했습니다.
• 그로스-뇌뉴를 위한 SC-ADAPT 풀: 모든 선택된 연산자가 맛 전하와 교환 법칙을 만족하도록 하는, 상호작용에 민감한 교차 맛 생성자를 포함한 압축된 범위 제한 연산자 풀을 개발했습니다.
• 유한 부피 전이: 작은 부피에서 최적화된 일련의 생성자와 매개변수를 재최적화나 연산자 선택 없이 더 큰 부피로 전이할 수 있음을 입증했습니다.

결과
저자들은 정확한 대각화(Exact Diagonalization) 및 DMRG 참조 모델을 사용하여 클래식 시뮬레이션(Statevector 및 Matrix Product States)을 통해 자신들의 방법을 벤치마킹했습니다.

• 고정 안사츠 벤치마크:

  • $N_f = 1$ ~ $4$및 최대 30 큐비트의 거대 시스템에 대해, 맛의 수 보존 안사츠는 약$1 \times 10^{-5}$~$2 \times 10^{-4}$의 상대 에너지 오차를 달却했습니다.
  • 두 가지 맛 비교에서, 맛의 수 보존 안사츠는 총 수 보존 안사츠보다 일관되게 우수한 성능을 보였으며, 일부 경우 오차가 약 10배 더 작았습니다.
  • 이러한 오차는 유사한 시스템 크기에 대해 보고된 이전 문헌(Ref. [17])보다 작았으나, 저자들은 이산화 방식(staggered vs. standard Dirac)의 차이와 자원 문제로 인해 직접적인 알고리즘 순위 매기기는 어렵다고 언급했습니다.

• SC-ADAPT 벤치마크:

  • $N_f = 1, 2, 3$ 및 최대 30 큐비트에 대해, SC-ADAPT 방식은 $2.1 \times 10^{-3}$ 미만의 상대 에너지 오차를 달성했습니다.
  • 연산자 선택 시퀀스는 한 가지 맛의 경우(LD=12-15) 부피에 따라 안정성을 보였으며, LD=12에서 얻은 10개의 고정된 생성자 시퀀스를 사용했을 때 LD=13-15에서 재최적화 없이 $1.97 \times 10^{-3}$ ~ $2.03 \times 10^{-3}$의 오차를 기록했습니다.

• 대규모 전이 (한 가지 맛):

  • Matrix Product State(MPS) 평가를 통해, 한 가지 맛 회로를 60~400 큐비트(LD=30 ~ 200)로 확장했습니다.
  • LD=12의 고정된 매개변수(및 LD=200을 위한 외삽법)를 사용하여, 결합 차원(bond dimension) 256에서 DMRG 참조 모델과의 에너지 편차는 0.35% ~ 1.76% 범위였습니다. 저자들은 이러한 편차가 부분적으로 유한 결합 차원 MPS 시뮬레이션 오차에서 기인한다고 설명했습니다.

• 들뜬 상태:

  • 고정된 맛의 수 섹터 내에서 순차적 디플레이션(sequential deflation)을 사용하여, 8-큐비트 시스템에 대해 $(N_0, N_1) = (2, 2)$ 섹터의 가장 낮은 4개 상태를 준비했습니다.
  • 이 방법은 보존된 섹터 내의 상태를 전체 스펙트럼으로부터 성공적으로 구분해 냈습니다. 퇴화된 부분 공간(예: 질량이 있는 rank-3 타겟)의 경우, 저자들은 기저 독립적 투영 충실도(basis-independent projector fidelities)를 사용하여 성능을 평가했으며, 거의 1에 가까운 중첩(overlap)을 달성했습니다.

의의 및 주장
본 논문은 변분 회로에 정확한 전하 보존(특히 맛의 수 보존)을 통합하는 것이 실질적인 이점을 제공하여, 덜 제한적인 접근 방식보다 낮은 에너지 오차를 얻을 수 있다고 주장합니다. SC-ADAPT 구성은 공유 매개변수의 수가 부피와 무관하게 유지되는 확장 가능한 방법으로 제시되어, 변분 매개변수 스케일링에서의 "차원의 저주" 문제를 해결합니다.

저자들은 다음과 같이 신중한 입장을 취합니다:

• 공유 매개변수 수의 선형적 증가에도 불구하고, "임의의 부피에 대한 고정 정확도 성능은 아직 확립되지 않았다"고 명시했습니다.
• 대규모 부피 전이 테스트는 한 가지 맛의 경우로 제한되었으며, 두 가지 맛의 경우 전체 연산자 시퀀스의 안정화는 아직 확립되지 않았습니다.
• 대규모 부피에서의 입증된 정확도는 클래식 시뮬레이션(MPS/Statevector)에 의존하며, 하드웨어 노이즈나 컴파일 오버헤드는 아직 고려되지 않았습니다.

결론적으로, 본 연구는 그로스-뇌뉴 모델을 위한 대칭 보존 변분 회로의 프레임워크를 구축하였으며, 지면 상태 준비의 정확도 향상과 확장 가능한 회로 구축을 위한 경로를 제시하는 동시에, 임의 부피에서의 고정 정확도 달성 및 노이즈가 있는 하드웨어로의 확장이라는 남은 과제들을 인정하고 있습니다.