The Encoding Gauge of Fermionic Variational Quantum Algorithms: Classical Simulability is Encoding-Relative, Trainability is Invariant

기술 요약: 페르미온 변분 양자 알고리즘의 인코딩 게이지 (The Encoding Gauge of Fermionic Variational Quantum Algorithms)

문제 정의
본 논문은 페르미온 변분 양자 알고리즘(VQA)의 양자 우위 평가에 있어 근본적인 모호함을 다룬다. VQA가 진정한 우위를 제공하려면 그 출력이 효율적인 고전적 계산에 저항할 수 있어야 하지만, 페르미온-큐비트 인코딩(예: Jordan-Wigner, Bravyi-Kitaev, tree 인코딩)의 선택은 물리적 특성이 아닌 모델링 관습이다. 저자들은 "고전적 시뮬레이션 가능성"에 대한 판결이 물리적 문제 자체에 내재된 것인지, 아니면 선택된 인코딩 표현에 의존하는 것인지를 조사한다. 저자들은 두 인코딩이 동일한 문제를 나타낸다면 이론적으로 시뮬레이션 가능성에 대해 일치해야 한다고 가정하지만, 표준 인코딩들이 Clifford 관련 방식으로서, 시뮬레이션 자원이 서로 다르게 변환되는 "게이지 그룹(gauge group)"을 형성함을 입증한다.

방법론
저자들은 표준 선형 페르미온-큐비트 인코딩 집합을 Clifford 유니터리에 의해 관계된 인코딩 궤도(orbit)로 취급한다. 이들은 시뮬레이션 자원을 다음과 같은 게이지 변환 특성에 따라 분류한다:

1. 게이지 공변 자원 (Gauge-Covariant Resources): 재인코딩 시 변화하는 양들. 여기에는 Pauli weight, causal-cone width, 그리고 텐서 네트워크 비용을 결정하는 얽힘(entanglement)이 포함된다.
2. 게이지 불변 자원 (Gauge-Invariant Resources): Clifford 공액(conjugation) 하에서 보존되는 양들. 여기에는 동역학적 리 대수(dynamical Lie algebra)의 차원($\dim \mathfrak{g}$)과 비-스테이블라이저성(non-stabilizerness, Stabilizer Rényi entropy $M_2$로 측정됨)이 포함된다.

연구는 세 가지 문제군—일반적인 전방향(all-to-all) 상호작용 페르미온 모델, 분자 전자 구조(수소 분자 및 리튬 수소화물), 그리고 1D Fermi-Hubbard 모델—에 대한 수치 시뮬레이션을 수행한다. 저자들은 비국소적 안사츠(non-local ansatz)를 사용하여 트랙터블(tractable) 영역과 인트랙터블(intractable) 영역 사이의 전이를 탐구한다. 저자들은 절단된 Pauli 전파(truncated Pauli propagation)를 위한 절대 오차 절단 가중치($W^*$), 희소 Pauli-string 폐쇄를 통한 동역학적 리 대수의 차원, 그리고 Stabilizer Rényi entropy를 계산한다. 또한, 그래디언트와 barren-plateau 분산을 계산하여 학습 가능성(trainability)을 분석한다.

주요 기여

1. 자원의 분류: 본 논문은 Pauli weight와 causal-cone width는 게이지 공변적이며, 동역학적 리 대수 차원과 비-스테이블라이저성은 게이지 불변적이라는 엄격한 구분을 확립한다.
2. 인코딩 의존적 판결: 저자들은 고정된 물리적 회로에 대해 시뮬레이션 가능성에 대한 판결이 인코딩에 따라 달라질 수 있음을 보여준다. 구체적으로, 상호작용하는 안사츠의 경우, 시스템 크기가 증가함에 따라 Pauli weight의 감소만으로 인해 절단된 Pauli 전파 비용이 인트랙터블(Jordan-Wigner 하에서)에서 트랙터블(Bravyi-Kitaev 또는 tree 인코딩 하에서)로 전환될 수 있다.
3. "게이지 바닥(Gauge Floor)" 명제: 저자들은 인코딩 최적화된 시뮬레이션 비용이 불변 자원에 의해 상한이 결정됨을 증명한다. 결과적으로, 인코딩-강건한 난해함(모든 인코딩에서 지속되는 난해함)은 큰 동역학적 리 대수 차원과 큰 비-스테이블라이저성을 모두 필요로 한다. 공변적 가중치는 난해함의 필요조건이지만 충분조건은 결코 될 수 없다.
4. 학습 가능성 불변성: 저자들은 날카로운 이분법을 확립한다: 시뮬레이션 비용는 인코딩 상대적이지만, 학습 가능성은 인코딩 불변적이다. 저자들은 비용 랜드스케이프, 그래디언트, 그리고 barren-plateau 분산이 기계 정밀도 내에서 모든 궤도 내의 인코딩과 동일함을 증명한다. 이는 표현의 충실성(expectation value의 보존)에서 기인하며, 단순한 Clifford 동등성 때문이 아니다.

결과

• 시뮬레이션 비용: 수치 결과는 일반적인 상호작용 해밀토니안의 최대 Pauli weight가 Jordan-Wigner 하에서는 선형($O(n)$)으로 스케일링되는 반면, tree 인코딩 하에서는 로그($O(\log n)$) 단위로 스케일링됨을 확인한다. 특정 구조의 안사츠에 대해, 절단 가중치 $W^*$는 Jordan-Wigner 하에서 트랙터블 임계치를 넘어서지만, $n \geq 12$인 경우 Bravyi-Kitaev 하에서는 임계치 아래에 머물러 시뮬레이션 가능성에 대한 판결을 뒤집는다.
• 불변 경로: 저자들은 공변적 자원이 난해함을 시사하지만, 불변 경로가 시뮬레이션 가능성을 드러내는 사례를 보여준다. 예를 들어, 장거리 자유 페르미온(long-range free fermions)은 선형 Pauli weight를 가져 난해함을 시사하지만, 다항식 차원의 동역학적 리 대수($n^2-1$)를 가져 어떤 인코딩에서도 리 대수적 방법론을 통해 효율적으로 시뮬레이션 가능하다.
• 바닥 달성: $\lambda \neq 0$인 일변수 상호작용 모델 군($H(\lambda)$)이 구축되었으며, 이 경우 세 가지 인증 경로(Pauli weight, Lie algebra dimension, magic)가 동시에 실패한다. 이 영역에서 시뮬레이션 비용은 오직 불변량들에 의해 설정된 "바닥"에 의해서만 제한되며, 재인코딩을 통해 비용을 이 한계 아래로 낮출 수 없다.
• 학습 가능성: 수치적 검증 결과, 그래디언트 벡터와 barren-plateau 분산 비율은 인코딩 전반에 걸쳐 정확히 1.0이다. 저자들은 회로를 재인코딩하는 것이 barren plateau를 완화할 수 없음을 확인한다. 학습 가능성은 안사츠 자체가 다른 동역학적 대수를 탐색하도록 수정되지 않는 한 변하지 않는다.

의의 및 주장
본 논문은 게이지 불변적이지 않은 이점은 인코딩의 산물이라고 주장함으로써 양자 우위 주장을 재정의한다. 저자들의 주장은 다음과 같다:

• 시뮬레이션 가능성은 상대적이다: 회로를 재인코딩하여 (Pauli weight를 줄임으로써) 고전적 시뮬레이션을 용이하게 할 수는 있지만, 불변 자원(리 대수 차원 및 magic)이 크게 유지된다면 문제의 본질적인 어려움은 변하지 않는다.
• 학습 가능성은 절대적이다: 재인코딩은 학습 가능성을 개선할 수 없다. 랜드스케이프의 평탄함(barren plateaus)은 인코딩의 선택이 아니라 불변적인 동역학적 리 대수 차원에 의해 결정된다.
• 인증 기준: 어떤 문제가 고전 컴퓨터에 대해 어렵다고 주장하려면, 불변 자원(큰 리 대수와 큰 magic)이 상당하다는 것을 입증해야 한다. 높은 Pauli weight(공변적 자원)에만 의존하는 것은 불충분한데, 다른 인코딩이 해당 문제를 시뮬레이션 가능하게 만들 수 있기 때문이다.

본 연구는 표현 불변적 비용에 대한 완전한 분류가 여전히 미해결 과제로 남아있으나, 식별된 "바닥"이 인코딩-강건한 난해함의 필요조건을 제공한다고 결론짓는다. 이 결과는 표현의 산물과 진정한 계산적 장벽을 구분하는 양자 우위 주장에 대한 인증 역할을 한다.