⚛️ 양자물리학

Normalizing Flows for Classical Simulation of Quantum Circuits in Phase Space

이 논문은 노멀라이징 플로우(normalizing flows)를 활용하여 양자 회로를 위상 공간 매니폴드 상의 확률 분포로 표현하는 새로운 프레임워크를 소개하며, 대규모 양자 시스템을 시뮬레이션하는 데 있어 기존의 신경망 방식보다 우수한 정확도를 입증한다.

원저자: Edward Jiang, Timothy Heightman, Marcin Płodzień

게시일 2026-11-11

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Edward Jiang, Timothy Heightman, Marcin Płodzień

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

양자 세계를 이해하려는 탐구는 마치 움직임을 멈추지 않는 풍경을 지도에 그려 넣으려는 시도처럼 느껴질 때가 많습니다. 양자 컴퓨팅의 영역에서 과학자들은 큐비트라고 불리는 아주 작은 입자들로 이루어진 시스템을 연구하는데, 이 큐비트는 동시에 여러 상태로 존재할 수 있습니다. 이러한 시스템이 어떻게 행동할지 예측하기 위해, 연구자들은 전통적으로 입자들의 가능한 모든 구성을 추적하려고 노력해 왔으나, 이는 시스템이 커짐에 따라 불가능할 정도로 어려워지는 작업입니다. 컴퓨터가 불과 몇십 개의 큐비트만을 가졌을 때조차, 가능성의 수는 가장 강력한 슈퍼컴퓨터의 용량을 초과하여 폭발적으로 증가합니다. 이러한 한계는 이 분야의 핵심적인 장애물입니다. 만약 우리가 일반 컴퓨터로 이러한 시스템을 시뮬레이션할 수 없다면, 우리는 이를 완전히 이해할 수도 없고, 미래의 양자 하드웨어를 신뢰성 있게 설계할 수도 없기 때문입니다. 수십 년 동안 과학자들은 단순하고 질서 정연한 회로에는 잘 작동하지만, 시스템이 복잡하거나 혼돈 상태가 되면 실패하는 특수한 수학적 기법들에 의존해 왔습니다.

ICFO 광과학 연구소와 바르샤바 대학교의 연구팀은 이 어려운 지형을 헤쳐 나갈 새로운 방법을 제안했습니다. 연구진은 모든 입자의 정확하고 경직된 상태를 추적하는 대신, 양자 시스템을 확률의 흐름이 있는 풍경으로 취급했습니다. 양자 컴퓨터의 상태를 하나의 점이 아니라, 광활한 다차원 표면 위에 퍼져 있는 안개 구름이라고 상상해 보십시오. 이 관점에서 양자 컴퓨터가 수행하는 연산은 경직된 스위치가 아니라, 구름의 형태를 재구성하는 부드러운 변형입니다. 연구진은 양자 회로의 작용을 계산하지 않고도 이 구름을 단계별로 재구성하는 법을 배우는 방법을 개발했습니다. 그들은 이 접근 방식을 하나의 형태를 다른 형태로 변형하는 데 특히 뛰어난 머신러닝 모델의 일종인 '노멀라이징 플로우(normalizing flow)'라고 부릅니다. 연구진은 양자 회로의 경로를 따르도록 이 모델들을 훈련함으로써, 단 하나의 가능성만을 계산할 필요 없이 대규모 양자 시스템을 시뮬레이션할 수 있는 도구를 만들어냈습니다.

이 연구의 핵심은 위상 공간 공식화(phase space formulation)라고 알려진 양자 역학의 특정 관점에 있습니다. 이 프레임워크에서 큐비트 집합의 상태는 기상도가 특정 지역의 강수 확률을 보여주는 것과 유사하게 확률 분포로 표현됩니다. 연구진은 'Q 함수'라고 불리는 특정 유형의 지도를 선택했는데, 이는 항상 양수 값을 보여주어 실제 확률 분포로 취급될 수 있다는 유용한 특성을 가지고 있습니다. 양자 게이트, 즉 연산이 시스템에 작용하면 이 분포를 변화시킵니다. 과거에는 이 변화를 계산하는 것이 어려웠는데, 왜냐하면 변형을 지배하는 수학적 규칙들이 종종 확률의 논리를 깨뜨리는 음수를 포함했기 때문입니다. 연구진은 생성 모델을 사용하여 변형을 직접 학습함으로써 이 문제를 해결했습니다. 변형의 복잡한 수학을 매번 계산하는 대신, 신경망을 훈련시켜 이전 분포를 바탕으로 새로운 분포의 형태를 학습하도록 했습니다.

이 방법은 양자 회로를 일련의 단계로 나누어 작동합니다. 회로의 각 게이트에 대해, 모델은 확률 구름을 현재의 형태에서 다음 형태로 밀어내는 특정 흐름을 학습합니다. 모델이 이러한 흐로를 순차적으로 학습하기 때문에, 마치 종이를 여러 번 접어 복잡한 모양을 만드는 것처럼 단순한 흐름들을 쌓아 올려 복잡한 변형을 구축할 수 있습니다. 연구진은 세 가지 다른 유형의 양자 회로를 대상으로 이 접근 방식을 테스트했습니다: 클러스터 상태(cluster state)라고 알려진 특정 얽힘 상태를 생성하는 회로, 그린버거-호른-제이거(GHZ) 상태를 생성하는 회로, 그리고 횡장 이징 모델(transverse-field Ising model)이라는 자기 모델의 바닥 상태를 준비하는 회로입니다. 각 경우에서 그들은 자신들의 결과를 정확한 수학적 해답 및 다른 선도적인 시뮬레이션 방법들과 비교했습니다.

결과는 이 새로운 방법이 시스템이 커지더라도 그 성능을 유지한다는 것을 보여주었습니다. 클러스터 상태 준비의 경우, 모델은 64개 큐비트를 시뮬레이션할 때 약 0.96의 충실도(fidelity), 즉 정확도를 달しまいました. 이는 유사한 규모의 시스템에서 약 0.91로 떨어졌던 기존의 다른 방법들에 비해 유의미한 개선입니다. GHZ 상태의 경우, 모델은 약 0.965의 충실도에 도달하여 이전의 최선책들을 능가했습니다. 더 복잡한 이징 모델 회로의 경우, 게이트가 추가됨에 따라 정확도가 약간 감소하기는 했지만, 트랜스포머 기반 모델을 명확한 차이로 앞지르는 높은 수준의 정밀도를 유지했습니다. 이러한 발견은 이 접근 방식이 많은 입자와 깊은 연산 시퀀스를 포함하는 실제 양자 회로의 복잡성을 처리할 만큼 견고하다는 것을 시사합니다.

하지만 연구진은 자신들의 성공에 대한 한계점도 주의 깊게 언급했습니다. 이 방법은 양자 게이트가 한 번에 적은 수의 큐비트에 작용할 때 가장 잘 작동하며, 이는 많은 물리적 시스템에서 전형적인 모습입니다. 만약 하나의 게이트가 모든 큐비트에 동시에 작용한다면, 계산 비용이 감당할 수 없을 정도로 높아질 것입니다. 또한, 이 모델은 재학습 없이 모든 가능한 입력 상태에 대해 작동하는 범용 솔버가 아닙니다. 모델은 훈련된 특정 회로의 경로를 학습합니다. 시뮬레이션의 정확도 또한 회로의 깊이에 따라 달라지며, 게이트 수가 증가함에 따라 오차가 서서히 증가합니다. 그럼에도 불구하고, 이 연구는 이전에 도달할 수 없었던 양자 시스템을 시뮬레이션하기 위한 실행 가능한 경로를 보여줍니다. 양자 상태를 학습 가능한 확률 분포로 취급함으로써, 연구진은 복잡한 양자 물질의 행동을 이해하는 새로운 길을 열었으며, 이는 이론적 양자 물리학과 실용적인 양자 공학 사이의 간극을 메우는 데 도움이 될 수 있는 도구를 제공합니다.

기술 요약: 위상 공간에서의 양자 회로 고전 시뮬레이션을 위한 노멀라이징 플로우(Normalizing Flows)

문제 정의
양자 다체계(quantum many-body systems)의 고전적 시뮬레이션은 양자 우위 이해와 양자 하드웨어 제어를 위한 핵심적인 과제로 남아 있다. 전통적인 방식들은 상당한 한계에 직면해 있다: 정확한 상태 벡터(state-vector) 및 경로 적분(path-integral) 접근법은 시스템 크기에 따라 지수적인 알고리즘 복잡성을 겪으며, 구조 활용 기법(예: 클리포드 회로, 텐서 네트워크)은 특정 회로 클래스나 낮은 얽힘 영역으로 제한된다. 또한, 신경 양자 상태(Neural Quantum States, NQS) 및 양자 역학 생성을 위한 생성 모델과 같은 기존의 머신러닝 접근법은 시스템 크기와 진화 시간이 증가함에 따라 정확도가 저하되는 경향을 보인다. 핵심적인 어려움은 이산적 완화(discrete relaxations)나 충실도를 손실할 수 있는 수동 설계된 임베딩에 의존하지 않고, 양자 상태를 확률 분포로 표현하는 데 있다.

방법론
저자들은 다체 큐비트 시스템의 위상 공간 정식화, 구체적으로는 **후시 Q 함수(Husmi Q function)**를 사용하여 양자 회로의 출력 상태를 표현하는 프레임워크를 제안한다.

위상 공간 표현:
- $N$ -큐비트 상태는 매끄러운 다양체 $(S^2)^N$ 위의 확률 분포로 매핑된다. 상태 $|\psi\rangle$ 에 대한 Q 함수는 $Q_{|\psi\rangle}(\Omega) = \frac{1}{(2\pi)^N} |\langle \Omega | \psi \rangle|^2$ 로 정의되며, 여기서 $\Omega$ 는 블로흐 구(Bloch spheres)의 곱에 대한 좌표를 나타낸다.
- 유니터리 게이트 $U$ 는 이 위상 공간에서 적분 커널 $K_U$ 와의 합성곱(convolution) 연산에 대응한다. 이러한 커널은 음수 값을 포함할 수 있어 직접적인 샘플링은 불가능하지만, 분포의 정확한 진화를 가능하게 한다.
노멀라이징 플로우 정식화:
- 저자들은 양자 회로의 진화를 일련의 **노멀라이징 플로우(normalizing flows)**로 모델링한다. 음수 값을 가질 수 있는 커널 합성곱으로부터 직접 샘플링하는 대신, 이전 상태의 분포 $Q_{|\psi_{k-1}\rangle}$ 를 다음 상태 $Q_{|\psi_k\rangle}$ 로 매핑하는 플러우 변환 $f_k$ 를 학습한다.
- 변수 변환 공식을 통해 변환이 정의된다:
  $\tilde{Q}_{|\psi_k\rangle}(\Omega) = Q_{|\psi_{k-1}\rangle}(f_k^{-1}(\Omega)) \left| \det \frac{\partial f_k^{-1}}{\partial \Omega} \right|$
- 이 아키텍처는 양자 회로의 순차적 구조를 반영하여 자연스럽게 결합 가능하다(composable).
학습 전략:
- 모델은 정확한 전이 커널 합성곱을 통해 얻은 분포와 학습된 플로우가 생성한 분포 사이의 쿨백-라이블러(Kullback-Leibler, KL) 발산(divergence)을 최소화하도록 학습된다.
- 안정성을 보장하기 위해, 플로우를 순차적으로( $k=1$ 부터 $K$ 까지) 사전 학습한 후 공동으로 미세 조정(fine-tuning)한다.
- 초기 상태는 일반적으로 효율적인 곱 형태(product-form)의 Q 함수를 가진 기준 상태(fiducial state) $|00\dots0\rangle$ 이다.

주요 기여

연속 위상 공간 모델링: 이 방법은 이산 도메인에서 작동하거나 연속적 완화가 필요한 기존의 생성적 접근 방식과 달리, $(S^2)^N$ 상의 연속 다양체에서 직접 작동하여 수동으로 설계된 임베딩의 필요성을 피한다.
결합 가능한 아키텍처: 프레임워크는 각 게이트에 특정 노멀라이징 플로우를 할당함으로써, 매 단계마다 고정된 아키텍처를 다시 학습해야 하는 기존 변분법의 한계를 극복하고 회로 깊이에 따라 확장할 수 있게 한다.
효율적인 샘플링: 플로우의 결합 가능성을 활용함으로써, 이 방법은 대규모 시스템 크기에 대한 효율적인 샘플링과 가능도 추정(likelihood estimation)을 가능하게 하여, 힐베르트 공간의 지수적 성장을 모델의 표현력 문제로 전환한다.

실험 결과
프레임워크는 세 가지 계열의 양자 회로, 즉 1D 클러스터 상태 준비, GHZ 상태 준비, 그리고 변분 양자 고유치 솔버(VQE)를 통한 1D 횡장 이징 모델(TFIM)의 바닥 상태 준비에 대해 평가되었다.

성능: 방법론은 트랜스포머를 사용하는 IC-POVM 및 TDVP를 사용하는 NQS와 같은 최첨단 신경망 베이스라인과 벤치마크를 수행했다.
확장성:
- $N=64$ 큐비트에서의 1D 클러스터 상태에 대해, 모델은 약 $0.96$의 고전적 충실도(fidelity)를 달성하여, IC-POVM( $N=60$ 에서 $0.91 $)과 NQS($ N=60 $에서$ 0.84$)를 능가했다.
- GHZ 상태의 경우, 모델은 약 $0.965$의 충실도에 도달하여 두 베이스라인을 모두 앞질렀다.
- VQE 회로(10 큐비트)에서, 충실도는 게이트 수에 따라 선형적으로 감소했으나 테스트된 깊이 동안 트랜스포머 베이스라인($0.965 $)보다 높은 수준($ 0.985$)을 유지했다.
관찰 사항: 모델의 정확도는 시스템 크기와 회로 깊이가 증가함에 따라 현재의 신경망 방법들을 능가한다.

의의 및 한계
본 논문은 이 접근 방식이 생성 모델을 사용하여 양자 회로를 시뮬레이션하는 새로운 경로를 열어주며, 특히 다른 방법들이 성능 저하를 보이는 대규모 시스템 크기에서 유용하다고 주장한다.

계산 비용: 저자들은 트레이드오프를 언급한다: 정확도는 잘 확장되지만, 각 학습 단계마다 이전 플로우를 역산해야 하므로 학습 비용은 $O(K^2)$ (여기서 $K$ 는 게이트 수)로 증가한다. 이는 고정된 크기의 모델을 재학습하는 베이스라인 방법( $O(K)$ )과 대조된다.
음수 값 및 근사: 플로우의 필요성은 "부호 문제(sign problem)"(전이 커널의 음수 값)에서 기인한다. 근사 오차는 회로 깊이에 따라 지수적으로 누적되며, 이는 깊은 회로에서 관찰된 충실도 감소로 나타난다.
상태 의존성: 학습된 플로우는 입력 분포에 특화된 근사적 수송 맵(transport maps)이다. 단일 큐비트 게이트는 정확하고 입력 독립적인 플로우(회전)를 허용하지만, 얽힘 게이트는 서로 다른 입력 상태에 대해 재학습이 필요하다.

저자들은 이 프레임워크가 생성 모델을 사용하여 양자 회로를 시ам레이션하는 능력을 입증하며, 향-트로터화된 역학(Trotterized dynamics), 노이즈가 있는 진화, 그리고 최적화된 회로 파라미터를 위한 변분 안사츠(variational ansatz)로서 결합된 플로우를 사용하는 등의 미래 벤치마크를 제시한다고 결론지었다.

유사한 논문