🔬 응집물질물리학

Non-adiabatic Optimisation via Localisation-Delocalisation Transitions

이 논문은 다체 국소화 전이와 란다우-제너 교차 밀도를 활용하여 스핀 글래스 바닥 상태 문제에 대해 상수 시간 스케일링을 달성함으로써 QAOA보다 우수한 성능을 수치 시뮬레이션에서 입증한 디지털 비단열 양자 최적화 알고리즘인 FRIO를 소개한다.

원저자: Ryan Smith, Sabrina Yue Wang, Filippo Maria Gambetta, Raul A. Santos

게시일 2026-10-23

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ryan Smith, Sabrina Yue Wang, Filippo Maria Gambetta, Raul A. Santos

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

험준한 언덕과 계곡이 펼쳐진 광활하고 거친 풍경을 상상해 보십시오. 여기서 모든 지점은 복잡한 문제의 가능한 해답을 나타냅니다. 컴퓨팅의 세계에서 최적의 해를 찾는 것은 이 지형에서 가장 깊은 골짜기를 찾는 것과 같습니다. 수십 년 동안 과학자들은 아원자 세계의 기묘한 규칙에 따라 작동하는 양자 컴퓨터가 고전적 컴퓨터보다 훨씬 빠르게 이 지형을 탐색할 수 있기를 희망해 왔습니다. 문제는 이러한 지형이 종종 수많은 작은 웅덩이와 함정들로 가득 차 있다는 점인데, 이들은 바닥처럼 보이지만 실제로는 그렇지 않습니다. 전통적인 방식은 함정에 빠지는 것을 피하기 위해 경사면을 따라 천천히 미끄러져 내려가려 노력하지만, 이 과정은 불가능할 정도로 긴 시간이 걸릴 수 있습니다. 더 새로운 접근법은 시스템을 흔들어 함정에서 탈출하도록 돕는 것이지만, 너무 빠르게 흔들면 시스템이 경로를 완전히 잃어버리는 경우가 많습니다. 질문은 여전히 남아 있습니다. 진정한 바닥으로 가는 길을 잃지 않으면서도 함정을 탈출할 수 있을 만큼만 적절하게 시스템을 흔드는 방법이 있을까요?

Phasecraft와 리즈 대학교(University of Leeds)의 연구진은 질서와 혼돈의 서로 다른 상태 사이를 시스템이 어떻게 이동하는지를 정교하게 제어함으로써 이 딜레마를 해결하고자 하는 '빠른 역 반복 최적화(Fast Reverse Iterative Optimisation, FRIO)'라는 새로운 방법을 제안했습니다. 그들의 연구는 '스핀 글라스(spin glass)'라고 알려진 특정 유형의 어려운 문제에 초점을 맞추고 있는데, 이는 엉킨 전선 뭉치가 펴지는 것에 저항하는 것과 유사하게, 많은 상충하는 상호작용을 가진 시스템을 설명하는 데 사용되는 수학적 모델입니다. 이러한 시스템에서는 에너지 지형이 매우 복잡하여, 컴퓨터가 근처에 더 나은 답이 있음에도 불구하고 그것이 최선의 답이라고 생각하며 국소적인 저점(local low point)에 갇히기 쉽습니다. 연구팀의 전략은 이미 알고 있는 괜찮은 해답에서 시작하여 이를 의도적으로 교란하는 것입니다. 그들은 시스템을 특정 구성에 갇힌 상태에서 새로운 가능성을 탐색할 수 있는 혼돈스럽고 유동적인 상태로 밀어 넣었다가 다시 되돌리는 일련의 급격한 변화, 즉 '퀜치(quenches)'를 적용합니다.

그들 발견의 핵심은 정확히 어느 정도의 혼돈이 필요한지를 이해하는 데 있습니다. 이전 이론들은 최적의 해를 찾기 위해서 시스템이 얼어붙은 무질서 상태와 흐르는 열적 상태 사이의 매우 구체적이고 좁은 경계선을 항해해야 한다고 제안했습니다. 새로운 연구는 이 경계가 생각만큼 엄격하지 않다는 것을 시사합니다. 에너지 준위의 밀도와 시스템이 이들 사이를 어떻게 전이하는지를 분석함으로써, 저자들은 이 과정을 상당히 가속화할 수 있음을 발견했습니다. 그들은 물속에 떨어진 잉크 방울이 퍼지는 것을 추적하는 것과 유사한 수학적 묘사를 개발하여, 시스템이 더 낮은 에너지 상태를 찾을 확률을 예측했습니다. 이 모델은 시스템이 충분히 천천히 안착할 시간적 여유가 없는 비단열(non-adiabatic) 과정에서도, 매개변수가 올바르게 선택된다면 알고리즘이 높은 확률로 성공할 수 있음을 나타냅니다.

이를 테스트하기 위해, 연구팀은 연속적인 과정을 작고 관리 가능한 단계로 나누어 디지털 양자 회로에서 알고리즘을 시뮬레이션했습니다. 그들은 현재 근거리 양자 하드웨어에서 이러한 유형의 문제를 해결하기 위해 가장 널리 사용되는 도구 중 하나인 '양자 근사 최적화 알고리즘(Quantum Approximate Optimisation Algorithm, QAOA)'과 이 방법을 비교했습니다. 결과는 놀라웠습니다. 연구진이 시스템이 충분히 깊은 혼돈의 열적 단계로 이동하도록 매개변수를 조정했을 때, 그들의 알고리즘은 표준 QAOA 방식보다 일관되게 우수한 성능을 보였습니다. 이는 QAOA 설정이 특정 문제에 맞춰 미리 최적화되었을 때도 마찬가지였습니다. 이 연구는 새로운 방법이, 특히 부품 간의 연결 수가 많은 시스템에서 더 빈번하게, 그리고 더 적은 계산 자원을 사용하여 기저 상태(ground state), 즉 가장 깊은 골짜기를 찾을 수 있음을 보여주었습니다.

그들 작업의 중요한 부분은 정답을 미리 알지 않고도 이러한 매개변수를 설정하는 방법을 알아내는 것이었습니다. 그들은 시스템이 효과적으로 지형을 탐색하고 있는지, 즉 '열적(thermal)' 방식으로 행동하고 있는지를 확인하기 위해 짧은 활동의 폭발을 사용하는 테스트 프로토콜을 고안했습니다. 시스템의 내부 상태가 컴퓨터의 작은 구역에 걸쳐 어떻게 퍼지는지를 측정함으로써, 선택된 설정이 올바른지 결정할 수 있었습니다. 이를 통해 알고리즘은 자기 수정이 가능하고 적응력이 높아지는데, 이는 오늘날의 노이즈가 많고 불완전한 양자 컴퓨터에 필수적인 특징입니다. 시뮬레이션은 수십 개의 노드에서 거의 20개에 이르는 노드까지의 시스템을 다루었으며, 크기가 커짐에 따라 성공률이 견고하게 유지되어 이 방법이 잘 확장될 수 있음을 시사했습니다.

연구진은 그들의 발견이 실제 양자 기계에서의 물리적 실험보다는 시뮬레이션과 수치적 증거에 기반하고 있다는 점을 강조하지만, 그들이 설명하는 방법은 현재의 하드웨어에 직접 구현 가능하도록 설계되었습니다. 그들은 알고리즘이 전통적인 방식처럼 느리고 신중한 경로를 따를 필요도 없고, 이전에 믿었던 것처럼 특정 임계점을 돌아서 갈 필요도 없다는 것을 발견했습니다. 대신, 무질서와 질서가 어떻게 상호작용하는지에 대한 올바른 이해를 바탕으로 한 더 직접적인 비단열 접근 방식이 매우 효과적일 수 있습니다. 이 연구는 양자 역학의 혼돈스러운 특성을 최적의 해를 찾는 도구로 전환함으로써, 전력망 관리부터 금융 모델링에 이르기까지 실세계의 최적화 문제를 해결하기 위한 양자 컴퓨터 활용의 유망한 길을 제시합니다.

기술 요약: 국소화-비국소화 전이를 통한 비단열 최적화

문제 정의
본 논문은 셰리턴-커크패트릭(Sherrington-Kirkpatrick, SK) 모델과 같은 무질서한 스핀 글래스 시스템의 바닥 상태를 찾는 문제로 매핑 가능한 양자 컴퓨터 상의 고전적 조합 최적화 문제를 효율적으로 해결하는 과제를 다룹니다. 이러한 문제들은 지수적으로 많은 로컬 미니마(local minima)를 가진 복잡한 에너지 경관을 특징으로 합니다. 양자 근사 최적화 알고리즘(QAOA)과 같은 변분 양자 알고리즘(VQA)은 근미래 양자 장치(NISQ)를 위한 인기 있는 후보이지만, 클래식 파라미터 최 optimization이 필요하며 배리언 플래토(barren plateaus)나 로컬 미니마 문제에 직면할 수 있습니다. 전통적인 양자 어닐링(QA)은 에너지 갭이 닫힐 때 발생하는 랜다우-제너(Landau-Zener) 전이를 피하기 위해 지수적으로 긴 어닐링 시간을 요구하는 "단열 병목 현상(adiabatic bottleneck)"을 겪습니다. 다체 국소화(Many-Body Localisation, MBL) 삼중 임계점을 순환하여 이를 우회하려는 최근의 반복적 접근 방식들도 엄격하게 비단열 전이를 피하기 위해서는 시스템 크기에 따라 다항식 시간( $O(\text{poly}(N))$ )으로 스케일링되는 어닐링 시간을 여전히 요구합니다.

방법론
저자들은 MBL-열적(thermal) 상 전이를 통과하도록 설계된 디지털화된 비단열 순환 어닐링 프로토콜인 **빠른 역 반복 최적화(Fast Reverse Iterative Optimisation, FRIO)**를 제안합니다. 이 알고리즘은 사이클당 4단계로 작동합니다:

초기화: 종방향 자기장을 가하여 시스템을 기준 비트스트링 $S_r$ (알려진 저에너지 상태)에 정렬시킵니다.
횡단 퀜치(Transverse Quench): 횡단 자기장을 높여 기준 상태와 인접한 고유 상태들을 혼합하는 해밀토니안을 생성합니다.
복귀 퀜치(Return Quench): 원래의 SK 해밀토니안으로 시스템을 퀜치하며, 상자성(paramagnetic, 열적) 단계와 스핀 글래스(spin-glass, MBL) 단계 사이의 상 경계를 통과합니다.
측정: 시스템을 계산 기저(computational basis)에서 측정합니다. 만약 더 낮은 에너지가 발견되면, 그것이 다음 사이클의 새로운 기준으로 설정됩니다.

프로토콜은 1차(및 선택적으로 2차) 트로터 분해(Trotter decomposition)를 사용하여 디지털화됩니다. 결정적으로, 저자들은 엄격한 단열성이 요구되지 않는다고 주장합니다. 대신, 그들은 랜다우-제너 교차(Landau-Zener crossings)의 밀도에 기반한 거친 입자 모델(coarse-grained description)을 사용하여 퀜치 중의 스펙트럼 가중치 전파를 모델링합니다. 전이를 포아송 과정(Poisson process)으로 취급함으로써, 저자들은 성공 확률에 대한 유효 **포커-플랑크 방정식(Fokker-Planck equation)**을 도출합니다. 이 모델은 에너지 밀도가 0이 아닌 기준 상태에 대해, 시스템이 열적 단계 내부로 충분히 깊게 들어간다면 짧고 고정된 어닐링 시간( $O(1)$ )만으로도 더 낮은 에너지를 찾을 확률이 $1/2$ 을 초과할 수 있음을 시사합니다.

사전 지식 없이 최적의 파라미터(특히 비율 $\chi = B_x/B_z$ )를 결정하기 위해, 저자들은 짧은 시간 열화 역학(short-time thermalization dynamics)에 기반한 파라미터 테스트 프로토콜을 제안합니다. 저자들은 작은 부분계(4-큐비트 마진럴)의 **역 참여 비율(Inverse Participation Ratio, IPR)**을 지표로 활용합니다. 만약 역학이 열화(IPR이 무작위 행렬 이론 예측값으로 수렴)된다면, 해당 파라미터는 알고리즘에 적합한 열적 영역에 있는 것으로 간주됩니다.

주요 기여

FRIO 알고리즘: MBL-비국소화 전이를 활용하여 로컬 미니마 사이의 터널링을 강화하는 비단열 반복 최적화 알고리즘을 도입했습니다.
이론적 프레임워크: 성공 확률을 설명하는 유효 포커-플래크 방정식을 도출하여, 이전의 순환 프로토콜들이 요구했던 $O(\text{poly}(N))$ 요구사항과 대조적으로 상수 시간( $O(1)$ )의 어닐링 시간으로도 유리한 성공 확률을 얻을 수 있음을 예측했습니다.
파라미터 선택 전략: 정확한 대각화나 복잡한 클래식 파라미터 최적화 없이도, 짧은 시간 IPR 역학을 측정함으로써 NISQ 장치에 적합한 해밀토니안 파라미터를 식별하는 방법을 제공합니다.
디지털화: 연속적인 프로토콜이 적은 수의 트로터 단계로 효과적으로 디지털화될 수 있음을 입증하여, 근미래 하드웨어에서의 실행 가능성을 보여주었습니다.

결과
SK 모델 인스턴스(최대 $N=18$ ) 및 가중 $k$ -정규 그래프에 대한 정확한 대각화(Exact Diagonalation, ED) 수치 시뮬레이션 결과는 다음과 같습니다:

파라미터 테스트: IPR 기반 지표가 MBL 단계에서 열적 단계로의 전이를 성공적으로 식별했습니다. 비율 $\chi = 1$ 이 열화를 보장하고 최적화를 수행하는 데 충분하다는 것이 밝혀졌으며, 이는 기존 문헌에서 확인된 삼중 임계점( $\chi_{tri} \approx 3.6$ )보다 낮은 수치입니다.
QAOA 대비 성능: 디지털화된 FRIO 알고리즘(트로터 단계 $M=1, 2, 3$ $M = 1, 2, 3$ )을 동등한 깊이( $p=3, 6, 9$ $p = 3, 6, 9$ )의 QAOA 회로와 비교했습니다.
- $\chi = 1$ (깊은 열적 단계)에서, FRIO는 특정 그래프 인스턴스에 대해 개별적으로 최적화된 각도를 가진 QAOA보다 일관되게 우수한 성능을 보였습니다.
- $\chi = 0.25$ (임계선 근처)에서도 FRIO는 QAOA와 경쟁할 만한 성능을 유지했습니다.
- 알고리즘은 다양한 시스템 크기에 대해 견고함을 보였으나, 매우 얕은 회로( $M=1$ )를 사용하는 경우 트로터 오차로 인해 큰 $N$ 에서 성능이 저하되었습니다.
저에너지 역학: 알고리즘은 낮은 에너지의 들뜬 고유 상태에서 시작하더라도 더 낮은 에너지 상태로 전이할 수 있는 능력을 보여주었습니다. 다만, 상태 밀도(density of states)의 변화로 인해 시스템이 바닥 상태에 가까워질수록 성공 확률은 자연스럽게 감소합니다.

의의 및 주장
본 논문은 FRIO가 클래식 최적화 도구의 자원 소모가 크고 로컬 미니마에 빠지기 쉬운 변분 파라미터 최적화 과정 없이, NISQ 장치에서 스핀 글래스 최적화 문제를 해결할 수 있는 경로를 제공한다고 주장합니다. 국소화-비국소화 전이와 비단열 역학을 활용함으로써, 저자들은 요구되는 어닐링 시간이 시스템 크기에 대해 다항식이 아닌 상수로 줄어들 수 있다고 제 제안합니다.

저자들은 FRIO가 최적화된 QAOA보다 우수한 성능을 보이는 영역이 존재하지만, 선택된 파라미터들이 추가적인 튜닝(예: 더 긴 퀜치 지속 시간 또는 더 많은 트로터 단계) 없이 더 큰 클래식 난해 시스템으로 직접 확장되기는 어려울 수 있다고 언급했습니다. 또한, 트로터화에 대한 탄력성은 반단열(counter-diabatic) 항의 도입 덕분일 수 있으며, 이에 대해서는 추가 연구가 필요하다고 명시했습니다. 이 연구는 FRIO를 모든 방향 연결성(all-to-all connectivity)을 갖춘 플랫폼(예: 트랩 이온 또는 중성 원자)에 직접 구현하기 위한 유망한 후보로 위치시키며, 여기서 변분 오버헤드의 부재는 뚜렷한 장점이 됩니다.

유사한 논문