수축적 유니터리와 고전적 섀도우 토모그래피

배경 및 학문적 계보

기원 및 학문적 계보

본 논문에서 다루는 문제는 양자 정보 및 계산 분야의 급속한 발전 속에서 양자 상태를 특성화하는 근본적인 도전에서 비롯된다. 양자 장치가 수백 개 이상의 큐비트를 포함하도록 규모가 커짐에 따라, 전통적인 "전체 양자 상태 토모그래피" 방법은 비실용적이 된다. 이는 시스템 크기에 대해 지수적으로 많은 수의 측정을 요구하기 때문에, 대규모 응용 분야에서는 자원 집약적이고 계산적으로 실행 불가능하게 만들기 때문이다.

이 문제를 해결하는 데 있어 중요한 돌파구는 2018년 Aaronson이 처음 제안한 "고전적 섀도우 토모그래피"의 등장과 함께 이루어졌다 [12]. 이 접근 방식은 양자 상태의 완전한 재구성을 요구하지 않고도 많은 특성을 예측하는 데 필요한 "표본 복잡성"—즉, 필요한 측정 횟수—을 극적으로 줄인다. 고전적 섀도우 토모그래피는 일반적으로 양자 상태에 무작위 유니터리 연산을 적용하고, 이를 측정하고, 이러한 "고전적 스냅샷"을 사용하여 특성을 추론하는 것을 포함한다.

고전적 섀도우 토모그래피에 의해 상당한 진전이 이루어졌음에도 불구하고, 핵심적인 한계는 지속되어 왔다: 크기 $k$의 국소 연산자의 특성을 추출하기 위해 표본 복잡성을 $2^k$의 스케일링 이하로 줄이는 것이다. 이전 방법들, 특히 무작위 클리포드 회전에 의존하는 방법들은 일반적으로 $2^k$ (또는 알려지지 않은 연산자 위치를 고려할 때 $k \times 2^k$)로 스케일링되는 표본 복잡성을 달성한다. 이 $2^k$ 스케일링은 여전히 중요한 "고통점"으로 남아 있으며, 더 큰 $k$에 대해서도 상당한 자원을 요구하여 복잡한 양자 다체 상태의 효율적인 특성화를 방해한다. 따라서 본 논문의 저자들은 $2^k$ 장벽을 극복하고 보다 효율적인 스케일링을 달성하기 위해 고전적 섀도우 토모그래피 내에서 새로운 전략을 탐구하도록 동기 부여되었다.

직관적인 도메인 용어

기초 독자가 핵심 개념을 파악하는 데 도움을 주기 위해, 논문의 전문 용어 중 일부를 일상적인 비유로 번역했다:

• 양자 상태 토모그래피 (QST): 신비롭고 복잡한 물체를 가지고 있으며, 그 물체의 정확한 모양, 내부 구조, 그리고 모든 작은 세부 사항을 알고 싶다고 상상해 보라. QST는 그 물체의 완전하고 고해상도 3D 스캔과 같다. 완벽한 청사진을 제공하지만, 매우 크거나 복잡한 물체에 대해서는 엄청나게 시간이 많이 걸리고 비용이 많이 든다.
• 고전적 섀도우 토모그래피: 전체 3D 스캔 대신, 신비로운 물체의 무게, 대칭성 여부, 또는 뜨는지 여부와 같이 몇 가지 특정 사항만 알면 된다고 상상해 보라. 고전적 섀도우 토모그래피는 몇 개의 신중하게 선택된 "그림자" 또는 다른 각도에서의 2D 사진을 찍는 것과 같다. 이것들로부터 전체 물체를 재구성할 수는 없지만, 전체 스캔보다 훨씬 적은 노력으로 많은 특성을 정확하게 예측할 수 있다.
• 표본 복잡성: 신뢰할 수 있는 답을 얻기 위해 실험을 몇 번 반복하거나 측정을 해야 하는지를 나타낸다. 도시 사람들의 평균 키를 알아내려고 한다면, 표본 복잡성은 측정해야 하는 사람의 수이다. 표본 복잡성이 낮다는 것은 좋은 추정치를 얻기 위해 더 적은 측정이 필요하다는 것을 의미한다.
• 파울리 문자열 연산자: 양자 시스템에 대해 물어볼 수 있는 매우 구체적인 "질문"이라고 생각하라. 예를 들어, "1번 큐비트가 특정 방향으로 위로 스핀하고 AND 3번 큐비트가 특정 방향으로 아래로 스핀하는가?" 파울리 문자열은 시스템의 다른 부분에 적용되는 이러한 간단한 질문들의 시퀀스이다. 문자열의 "크기"는 질문에 몇 개의 큐비트가 관여하는지를 나타낸다.
• 수축적 유니터리: 이것은 "데이터 압축기" 또는 "단순화기"와 같은 특별한 종류의 양자 연산이다. 복잡한 파울리 문자열 연산자를 가져와서 "더 작게" 또는 덜 복잡하게 만드는 것이 그 역할이다. 이러한 연산자를 단순화함으로써, 수축적 유니터리는 양자 시스템의 특성을 측정하는 것을 훨씬 쉽고 빠르게 만들어 전체 표본 복잡성을 줄인다.

표기법 표

표기법	설명
$\hat{O}$	추정될 기대값을 갖는 파울리 문자열 연산자 (관측량).
$\rho$	시스템의 양자 상태.
$k$	국소 연산자의 크기 / $\hat{O}$가 작용하는 부분 시스템의 큐비트 수.
$N$	양자 시스템의 총 큐비트 수.
$\hat{U}$	양자 상태에 적용되는 일반적인 전역 유니터리 연산.
$\hat{U}_{ct}$	2-큐비트 수축적 유니터리로부터 구성된 $k$ 큐비트에 대한 전체 수축적 유니터리.
$\hat{U}_{ij}$	큐비트 $i$와 $j$에 작용하는 2-큐비트 수축적 유니터리, $\exp(i\frac{\pi}{4} \hat{Z}_i\hat{Z}_j)$로 정의됨.
$\mathcal{E}_U$	$\hat{U}$가 샘플링되거나 구성되는 유니터리 앙상블 (예: 무작위 클리포드, 수축적 유니터리).
$||\hat{O}||^2_{\mathcal{E}_U}$	앙상블 $\mathcal{E}_U$에 대해 평균된 관측량 $\hat{O}$의 섀도우 노름 제곱, 표본 복잡성을 직접 정량화함.
$w(\hat{O}_U)_{\mathcal{E}_U}$	앙상블 $\mathcal{E}_U$에 대해 평균된 진화된 연산자 $\hat{O}_U = \hat{U}\hat{O}\hat{U}^\dagger$의 파울리 가중치.
$\pi(m)_{\mathcal{E}_U}$	진화된 연산자 $\hat{O}_U$의 연산자 크기 분포, $\hat{O}_U$가 크기 $m$을 가질 확률을 나타냄.
$m$	파울리 문자열에서 항등 연산자가 아닌 파울리 연산자의 수를 정의하는 연산자 크기.
$N_{xy}$	파울리 문자열 $\hat{O}$에서 $\hat{X}$ 및 $\hat{Y}$ 연산자의 총 수.
$\sigma_U(z)$	단일 측정 결과 $z$로부터 재구성된 밀도 행렬의 고전적 스냅샷.
$M$	기대값을 추정하기 위해 수집된 고전적 스냅샷 (측정)의 수.
$D[\langle \hat{O} \rangle]$	$\hat{O}$의 기대값의 분산.

문제 정의 및 제약 조건

핵심 문제 공식화 및 딜레마

입력/현재 상태: 양자 상태 특성화의 현재 환경은 복잡한 양자 다체 상태를 효율적으로 설명하는 문제에 의해 지배된다. 완전한 양자 상태 토모그래피는 시스템 크기에 따라 지수적으로 증가하는 측정 횟수를 요구하여 대규모 양자 장치에 비실용적이므로, 고전적 섀도우 토모그래피와 같은 대안적인 방법이 제공된다. 이 기법은 측정 전에 무작위 클리포드 회전을 사용하여 표본 복잡성—상태 특성을 추정하는 데 필요한 측정 횟수—을 줄인다. 그러나 이러한 발전에도 불구하고, 크기 $k$의 비연속적인 국소 연산자의 특성을 추출하기 위해 표본 복잡성을 $2^k$ 이하로 줄이는 중요한 과제가 남아 있다. 이 $2^k$ 스케일링은 큐비트 수가 많은 실제 응용 분야에 여전히 너무 높다.

출력/목표 상태: 본 논문의 주요 목표는 양자 상태의 특성, 특히 크기 $k$의 국소 연산자에 대한 표본 복잡성을 상당히 작게 만드는 것이다. 저자들은 현재의 $2^k$ 스케일링에서 개선된 $\sim 1.8^k$로 이 복잡성을 줄이는 것을 목표로 한다. 이 감소는 국소적으로 무작위이고 전역적으로 결정론적인 유니터리 연산을 전략적으로 결합하는 새로운 프로토콜을 통해 추구된다.

정확히 누락된 연결고리 / 수학적 간극: 본 논문에서 다루는 핵심 수학적 간극은 진화된 파울리 문자열 연산자 $\hat{O}_U = \hat{U}\hat{O}\hat{U}^\dagger$의 크기 분포를 더 효율적으로 "수축"시킬 수 있는 최적의 전역 유니터리 연산 $\hat{U}$의 부재이다. 기존의 고전적 섀도우 토모그래피 프로토콜은 종종 최대 스크램블링 무작위 유니터리(예: 무작위 클리포드 게이트)에 의존하며, 이는 $2^k$의 섀도우 노름 스케일링을 초래한다. 본 논문은 연산자 크기를 이러한 순전히 무작위 앙상블보다 더 효과적으로 줄일 수 있는 결정론적 전역 유니터리, 즉 "수축적 유니터리"의 발견을 누락된 연결고리로 식별한다. 수학적으로, 과제는 섀도우 노름 $||\hat{O}||_{\mathcal{E}_U}^2$를 최소화하는 $\hat{U}$를 찾는 것이며, 이는 연산자 크기 분포 $\pi(m)$와 직접적으로 관련이 있다. 이는 방정식 (1)에 명시되어 있다:
$$||\hat{O}||_{\mathcal{E}_U}^2 = w(\hat{O}_U)_{\mathcal{E}_U}, \quad w(\hat{O}_U)_{\mathcal{E}_U} = \sum_m \frac{\pi(m)_{\mathcal{E}_U}}{3^m}$$
본 논문의 기여는 진화된 연산자 $\hat{O}_U$의 크기 분포 $\pi(m)$를 더 작은 $m$ 값에 우선적으로 집중시키는 $\hat{U}$를 찾는 것이며, 따라서 섀도우 노름과 결과적으로 필요한 표본 복잡성을 낮춘다.

고통스러운 절충 / 딜레마: 역사적으로 고전적 섀도우 토모그래피의 연구자들을 제약해 온 핵심 딜레마는 일반적이고 편향되지 않은 측정 체계를 달성하는 것과 표본 복잡성을 최소화하는 것 사이의 내재적인 절충이다. 최대 스크램블링 무작위 유니터리는 모든 연산자가 동등하게 측정될 수 있도록 보장하기 위해 사용되며, 국소 기저 의존성을 효과적으로 제거한다. 이 접근 방식은 일반성과 견고성을 제공하지만, 이항 연산자 크기 분포와 $2^k$ 섀도우 노름을 초래한다. 고통스러운 절충은 이 "최대 스크램블링"이 광범위한 적용 가능성을 보장하지만, 모든 유형의 연산자, 특히 국소 파울리 문자열에 대한 표본 복잡성 감소에 가장 효율적인 전략이 아닐 수 있다는 것이다. 저자들의 핵심 통찰은 "수축적 유니터리"를 통합하는 하이브리드 무작위-결정론적 프로토콜이 이 절충을 우회할 수 있다는 것이다. 이 접근 방식은 순전히 무작위 방법보다 더 효율적으로 연산자 크기를 선택적으로 수축시켜, 일반성과 측정 효율성 사이의 더 나은 균형을 달성한다.

제약 조건 및 실패 모드

양자 상태를 효율적으로 특성화하는 문제, 특히 제안된 수축적 유니터리 접근 방식을 사용하면 몇 가지 가혹하고 현실적인 제약 조건에 의해 제한된다:

물리적 제약 조건:
* 지수적 자원 스케일링: 근본적인 물리적 한계는 완전한 양자 상태 토모그래피가 시스템 크기에 따라 지수적으로 증가하는 측정 횟수를 요구한다는 것이다. 이는 수백 개 이상의 큐비트를 가진 양자 장치에 대해 비실용적이므로, 고전적 섀도우 토모그래피와 같은 대안적인 방법이 필요하다.
* 하드웨어 구현 가능성: 제안된 수축적 유니터리는 현재 및 가까운 미래의 양자 계산 플랫폼에서 실질적으로 구현 가능해야 한다. 저자들은 그들의 수축적 유니터리가 "원자 배열 양자 계산 플랫폼의 장점과 완벽하게 일치하며 원자 배열 양자 프로세서에서 쉽게 실현된다"고 강조한다. 이는 기존 하드웨어에서 효율적으로 실행될 수 있는 게이트 및 연산의 유형에 대한 엄격한 제약을 의미한다.
* 회로 복잡성 및 깊이: 실제 배포를 위해 수축적 유니터리 $\hat{U}_{ct}$는 낮은 회로 복잡성을 가져야 한다. $k$ 큐비트 시스템에 대해 $\sim k^2$ 게이트를 포함하는 것처럼 보일 수 있지만, 논문은 그것이 "결정론적이고 상호 교환 가능한 2-큐비트 게이트에만 의존한다"고 언급하며, 병렬 게이트 기능 덕분에 원자 배열 플랫폼에서 "최대 $k-1$ 단계의 물리적 연산"으로 구현될 수 있다고 한다. 연결성이 제한된 플랫폼(예: 초전도 큐비트)의 경우, 저자들은 단일 보조 큐비트를 추가하면 $k$ 단계의 국소 게이트로 분해할 수 있어 회로 깊이가 $k$에 선형적으로 유지된다고 보여준다. 이것들은 프로토콜의 실현 가능성에 대한 중요한 제약 조건이다.

계산적 제약 조건:
* 표본 복잡성 목표: 주요 계산적 제약 조건은 표본 복잡성을 $2^k$에서 보다 관리 가능한 스케일링, 특히 $\sim 1.8^k$로 줄여야 한다는 요구 사항이다. 더 큰 섀도우 노름은 예측 분산을 줄이기 위해 더 많은 고전적 스냅샷을 직접적으로 요구하며, 따라서 데이터 수집 및 처리와 관련된 계산 비용을 증가시킨다.
* 고전적 시뮬레이션 한계: 현대 양자 플랫폼에서 현재 달성 가능한 $k \sim 100$ 큐비트의 양자 시스템의 경우, 고전적 시뮬레이션은 "전통적으로 시뮬레이션하기 어렵다". 이는 제안된 양자 솔루션이 실제 양자 하드웨어에서 유용할 만큼 효율적이어야 함을 의미하며, 고전적 검증 또는 전체 시뮬레이션은 실행 가능한 옵션이 아니다.

데이터 기반 제약 조건 및 실패 모드:
* 연산자 위치에 대한 사전 지식: 수축적 유니터리 프로토콜의 초기 공식화는 연산자가 작용하는 정확한 위치에 대한 사전 지식을 가정한다. 이는 많은 실제 응용 분야(예: 에너지 추정)에서 이 정보가 종종 알려지지 않았기 때문에 중요한 데이터 기반 제약 조건이다.
* 단순 확장 실패: 연산자 위치에 대한 사전 지식이 없는 시나리오(전체 시스템에 적용)로의 수축적 유니터리의 단순 확장은 역설적으로 무작위 클리포드 프로토콜보다 더 큰 섀도우 노름($N$ 총 큐비트에 대해 $\sim 2^N$)을 초래할 것이다. 이는 저자들이 "슬라이딩 트릭"으로 해결하는 중요한 실패 모드를 나타내며, 연산자 위치를 모를 때 효율성을 유지한다. 이 트릭이 없으면, 수축적 유니터리의 이점은 광범위한 문제 클래스에 대해 손실될 것이다.
* 비연속 국소 연산자: 문제는 특히 "크기 $k$의 비연속 국소 연산자"의 특성화를 목표로 한다. 이는 솔루션이 연속적이거나 구조가 단순하지 않은 연산자에 대해서도 견고하고 효과적이어야 함을 의미한다.

왜 이 접근 방식인가

선택의 불가피성

본 논문의 저자들은 양자 정보 분야에서 근본적인 장애물에 직면했다: 완전한 양자 상태 토모그래피로 알려진 복잡한 양자 상태를 완전히 특성화하는 것은 시스템 크기에 대해 지수적으로 많은 수의 측정을 요구한다. 이 지수적 스케일링은 우리가 현재 구축하고 있는 더 큰 양자 장치에 대해 비실용적이게 만든다. 고전적 섀도우 토모그래피(CST)는 측정 전에 무작위 클리포드 회전을 사용하여 표본 복잡성을 크게 줄임으로써 중요한 돌파구로 등장했다. 그러나 이 발전에도 불구하고, 크기 $k$의 비연속 국소 연산자의 특성을 추정하기 위해 표본 복잡성을 $2^k$ 이하로 줄이는 중요한 과제가 남아 있었다.

저자들이 기존의 "최첨단"(SOTA) 방법, 즉 표준 무작위 클리포드 프로토콜이 불충분하다는 것을 깨달은 정확한 순간은 이 지속적인 $2^k$ 스케일링을 식별했을 때였다. 무작위 클리포드 유니터리의 스크램블링 효과에도 불구하고, 이는 연산자 가중치를 많은 파울리 문자열에 분배시키지만, 결과적인 섀도우 노름(표본 복잡성의 척도)은 여전히 $2^k$로 스케일링되었다. 이는 더 큰 $k$에 대해 필요한 측정 횟수가 여전히 엄청나게 높다는 것을 의미했다. 저자들은 명시적으로 다음과 같은 질문을 제기했다: "최대 스크램블링된 무작위 유니터리를 능가하고 $\sim 2^k$보다 작은 섀도우 노름을 초래할 수 있는 다른 전역 유니터리 선택이 존재하는가?" 이 질문 자체는 기존 방법의 불충분성과 더 낮은 섀도우 노름을 달성하기 위해 특별히 설계된 "수축적 유니터리"인 새로운 접근 방식의 필요성을 강조한다.

비교 우위

수축적 유니터리 접근 방식은 단순한 수치적 개선을 넘어, 고전적 섀도우 토모그래피의 이전 황금 표준에 비해 질적인 우수성을 제공한다. 주요 구조적 이점은 결정론적으로 연산자 크기를 수축시키는 능력에 있다. 연산자를 최대 스크램블링하는 무작위 클리포드 유니터리와 달리, 이는 대략 $3k/4$에서 피크를 이루는 광범위한 이항 크기 분포와 $2^k$의 섀도우 노름을 초래한다. 수축적 유니터리는 특정 파울리 문자열 연산자의 크기를 적극적으로 줄이도록 설계되었다. 예를 들어, 크기 2의 파울리 연산자 4개를 크기 1의 연산자로 변환할 수 있다. 이러한 표적 수축은 연산자 크기가 더 작은 크기(예: $m/k \approx 2/3$는 홀수 $N_{XY}$의 경우, $k$에서 델타 피크는 짝수 $N_{XY}$의 경우)에 집중되는 크기 분포로 이어지며, 이는 섀도우 노름 이론에 따라 직접적으로 더 작은 표본 복잡성으로 이어진다.

이 구조적 이점은 심오하다: 표본 복잡성을 $\sim 2^k$(무작위 클리포드)에서 $\sim 1.8^k$(또는 연산자 위치를 모를 때 $k \times 1.8^k$)로 줄인다. $k \sim 100$ 큐비트 시스템의 경우, 이는 필요한 표본 자원에서 "10,000배 이상의 개선"으로 번역된다. 또한, 본 논문은 이 방법이 "양자 잡음에 대한 견고성을 보여준다"고 강조하며, 실제 양자 장치에 중요한 질적 이점인 잡음 환경에서도 스케일링 이점을 유지한다. 또 다른 중요한 구조적 이점은 낮은 회로 복잡성이다. 이는 결정론적이고 상호 교환 가능한 2-큐비트 게이트에만 의존하므로 현재 양자 하드웨어에 매우 적합하다.

제약 조건과의 일치

선택된 수축적 유니터리 방법은 효율적인 양자 상태 특성화의 엄격한 요구 사항과 완벽하게 일치한다. 핵심 문제 제약 조건은 완전한 양자 상태 토모그래피의 지수적 측정 비용과 다체 양자 상태의 특성 추정을 위한 표본 복잡성을 줄여야 한다는 것이다. 수축적 유니터리는 $\sim 1.8^k$(또는 슬라이딩 트릭을 사용한 $k \times 1.8^k$)의 표본 복잡성 스케일링을 달성함으로써 이를 직접적으로 해결하며, 이는 이전 방법의 $\sim 2^k$ 스케일링보다 상당한 개선이다. 이는 "연산자 크기를 더 효율적으로 줄여 토모그래피 효율성을 향상시키기 위한" 설계 목표에서 문제의 가혹한 요구 사항과 솔루션의 고유한 속성 사이의 "결합"이다.

이론적 효율성을 넘어, 이 방법은 실제 하드웨어 제약 조건과도 일치한다. 본 논문은 수축적 유니터리가 "원자 배열 양자 계산 플랫폼의 장점과 완벽하게 일치하며 원자 배열 양자 프로세서에서 쉽게 실현된다"고 명시적으로 밝힌다. 이는 결정론적이고 상호 교환 가능한 2-큐비트 게이트를 사용하여 구현될 수 있기 때문이며, 이는 원자 배열에서 사용 가능한 모든 연결성과 병렬 게이트 연산에 잘 적합하다. 연결성이 제한된 플랫폼의 경우에도, 본 논문은 수축적 유니터리가 단일 보조 큐비트를 추가하여 $k$ 단계의 국소 게이트로 분해될 수 있다고 언급하며, 이는 다양한 양자 컴퓨팅 아키텍처에 걸쳐 광범위한 적용 가능성을 보장한다.

대안의 거부

본 논문은 원하는 표본 복잡성을 달성하는 데 있어 양적 열등성 때문에 고전적 섀도우 토모그래피 내의 다른 인기 있는 접근 방식을 암묵적으로, 그러나 강력하게 거부한다. 논의된 주요 대안은 이전 SOTA를 나타내는 완전 무작위 클리포드 프로토콜이다. 무작위 클리포드 유니터리는 토모그래피 비용을 줄이는 데 돌파구였지만, 여전히 $2^k$로 스케일링되는 섀도우 노름을 초래했다. 저자들의 전체 동기는 이 $2^k$ 스케일링이 이 경계 이하의 크기 $k$를 가진 비연속 국소 연산자의 특성 추출 문제에 대해 "불충분"했다는 사실에서 비롯된다. 수축적 유니터리는 연산자 크기를 더 효과적으로 수축시키도록 유니터리의 결정론적 구성 요소를 최적화함으로써 이 $2^k$ 스케일링을 능가하기 위해 특별히 설계되었다.

마찬가지로, 본 논문은 "얕은 회로 프로토콜"을 또 다른 대안으로 언급한다. 그러나 표 I은 얕은 회로 프로토콜이 알려진 연산자 위치의 경우 $> 2^k$의 표본 복잡성을, 알려지지 않은 위치의 경우 $k \times 2^k$를 초래한다고 명확하게 보여준다. 이는 무작위 클리포드 및 결정적으로 수축적 유니터리 프로토콜보다 덜 효율적이다. 따라서 이러한 대안은 수축적 유니터리가 성공적으로 제공하는 표본 복잡성에 대한 서브-$2^k$ 스케일링을 달성한다는 중요한 요구 사항을 충족하지 못했기 때문에 선택되지 않았다. 본 논문은 GAN 또는 확산 모델과 같은 다른 기계 학습 패러다임을 논의하지 않는데, 이는 고전적 섀도우와 같은 맥락에서 양자 상태 토모그래피 문제에 직접적으로 적용되지 않기 때문이다.

FIG. 1.

수학적 및 논리적 메커니즘

마스터 방정식

본 논문에서 효율성 향상의 핵심이 되는 가장 중요한 방정식은 섀도우 노름의 정의이며, 이는 고전적 섀도우 토모그래피의 표본 복잡성을 직접적으로 정량화한다. 저자들은 이 양을 최소화하는 것을 목표로 한다. 이는 다음과 같이 제시된다:

$$ ||\hat{O}||^2_{\mathcal{E}_U} = w(\hat{O}_U)_{\mathcal{E}_U} = \sum_m \frac{\pi(m)_{\mathcal{E}_U}}{3^m} $$

이 방정식은 목표를 정의하지만, 이 노름의 감소를 달성하는 메커니즘은 주로 "수축적 유니터리"와 연산자 크기에 대한 그것의 영향에 의해 주도된다. 특정 2-큐비트 수축적 유니터리는 다음과 같이 주어진다:

$$ \hat{U}_{12} = \exp\left(i\frac{\pi}{4} \hat{Z}_1\hat{Z}_2\right) $$

그리고 전체 수축적 유니터리 $\hat{U}_{ct}$ 하에서 $k$-큐비트 파울리 문자열 $\hat{O}$에 대한 연산자 크기에 대한 그것의 영향은 다음과 같이 설명된다:

$$ m = \text{Size}(\hat{U}_{ct} \hat{O} \hat{U}_{ct}^\dagger) = \begin{cases} N_{xy} & \text{if } N_{xy} \in \text{odd}, \\ k & \text{if } N_{xy} \in \text{even}. \end{cases} $$

마지막으로, 섀도우 노름과 직접적으로 관련된 수축적 유니터리에 대한 결과적인 파울리 가중치는 다음과 같이 주어진다:

$$ w(\hat{O})_{ct} = \frac{1}{2 \cdot 3^k} \left[ \frac{(-1)^k + 1}{9^k} + \left(\frac{5}{9}\right)^k \right] $$

항별 분석

이 방정식들을 분해하여 구성 요소를 이해해 보자.

마스터 방정식 (섀도우 노름)의 경우:
$$ ||\hat{O}||^2_{\mathcal{E}_U} = w(\hat{O}_U)_{\mathcal{E}_U} = \sum_m \frac{\pi(m)_{\mathcal{E}_U}}{3^m} $$

• $||\hat{O}||^2_{\mathcal{E}_U}$: 이는 유니터리 앙상블 $\mathcal{E}_U$에 대해 평균된 관측량 $\hat{O}$의 섀도우 노름 제곱을 나타낸다.

  • 수학적 정의: 이는 본질적으로 $\hat{O}$의 기대값 예측에 사용되는 추정치의 분산이다. 더 작은 섀도우 노름은 예측의 더 낮은 분산을 의미한다.
  • 물리적/논리적 역할: 이것은 고전적 섀도우 토모그래피 프로토콜의 평가 지표이다. 이는 표본 복잡성—$\hat{O}$를 특정 정밀도로 추정하는 데 필요한 측정 스냅샷의 수—을 직접적으로 정량화한다. 본 논문의 주요 목표는 이 값을 줄이는 것이다.
  • 왜 제곱인가? 분산은 본질적으로 제곱된 양이며, 가능한 결과의 확산을 반영한다.

• $w(\hat{O}_U)_{\mathcal{E}_U}$: 이는 유니터리 앙상블 $\mathcal{E}_U$에 대해 평균된 진화된 연산자 $\hat{O}_U$의 파울리 가중치이다.

  • 수학적 정의: 이는 연산자 $\hat{O}$가 앙상블 $\mathcal{E}_U$의 유니터리에 의해 변환된 후 얼마나 "퍼져 있거나" "스크램블링"되는지에 대한 평균적인 척도이다.
  • 물리적/논리적 역할: 이 항은 섀도우 노름에 직접적으로 비례한다. 파울리 가중치를 줄이는 것이 표본 복잡성이 낮아지는 메커니즘이다. 저자들은 이전 방법보다 이 가중치를 작게 만드는 방법을 발견했다.

• $\sum_m$: 이는 모든 가능한 연산자 크기 $m$에 대한 합계이다.

  • 수학적 정의: 이산 합계.
  • 물리적/논리적 역할: 초기 파울리 문자열 연산자 $\hat{O}$가 유니터리 $\hat{U}$에 의해 진화될 때, 다양한 크기의 파울리 문자열의 중첩으로 변환될 수 있다. 이 합계는 이러한 모든 가능한 진화된 크기에서의 기여를 설명한다.
  • 왜 합계인가, 적분이 아닌가? 연산자 크기 $m$(항등이 아닌 파울리 연산자의 수)은 이산 정수량이므로, 합계가 자연스러운 수학적 연산이다.

• $\pi(m)_{\mathcal{E}_U}$: 이는 유니터리 앙상블 $\mathcal{E}_U$에 대해 평균된 진화된 연산자 $\hat{O}_U$의 크기 분포이다.

  • 수학적 정의: 이는 진화된 연산자 $\hat{O}_U$가 크기 $m$을 가질 확률을 나타낸다. 연산자 $\hat{O}_U = \sum_P c_P P$(여기서 $P$는 파울리 문자열)의 경우, $\pi(m) = \sum_{\text{Size}(P)=m} |c_P|^2$이다.
  • 물리적/논리적 역할: 이 분포는 유니터리 변환이 연산자의 "복잡성"에 어떻게 영향을 미치는지를 알려준다. 유니터리가 이 분포를 더 작은 $m$ 값으로 이동시킬 수 있다면, 이는 섀도우 노름을 직접적으로 줄인다. 이것이 "수축적 유니터리"의 핵심 아이디어이다.

• $3^m$: 이 항은 분모에 나타난다.

  • 수학적 정의: 지수적 요인.
  • 물리적/논리적 역할: 이 요인은 파울리 측정의 특성에서 발생한다. 크기 $m$의 파울리 문자열의 경우, 해당 $m$ 큐비트에 작용하는 $3^m$개의 가능한 항등이 아닌 파울리 연산자(X, Y, Z)가 있다. 이 항은 더 큰 연산자 크기를 효과적으로 페널티한다: 더 큰 $m$은 $1/3^m$을 더 작게 만들지만, 큰 $m$에 대해 $\pi(m)$이 상당하다면, 섀도우 노름에 대한 전체 기여는 여전히 클 수 있다. 목표는 $\pi(m)$을 작은 $m$ 값에 집중시키는 것이다.

수축적 유니터리 $\hat{U}_{12}$ (방정식 2)의 경우:
$$ \hat{U}_{12} = \exp\left(i\frac{\pi}{4} \hat{Z}_1\hat{Z}_2\right) $$

• $\hat{U}_{12}$: 이는 2-큐비트 수축적 유니터리이다.

  • 수학적 정의: 큐비트 1과 2에 작용하는 유니터리 연산자.
  • 물리적/논리적 역할: 이 특정 게이트는 저자들의 결정론적 유니터리의 기본 빌딩 블록이다. 이는 파울리 연산자와의 특정 교환 관계 때문에 선택되었으며, 이는 연산자 크기를 "수축"시킬 수 있게 한다. 이는 국소 회전에 대한 클리포드 게이트(CZ)와 동등하다.

• $\exp(\dots)$: 행렬 지수

  • 수학적 정의: 에르미트 생성자로부터 유니터리 연산자를 정의한다. 에르미트 연산자 $H$에 대해, $U = \exp(iH)$는 유니터리이다.
  • 물리적/논리적 역할: 양자 역학에서 상호작용 해밀토니안 또는 생성자로부터 양자 게이트를 구성하는 표준적인 방법이다.

• $i$: 허수 단위

  • 수학적 정의: $\sqrt{-1}$.
  • 물리적/논리적 역할: 양자 연산의 유니터리성과 양자 상태의 복소수 특성을 보장하는 데 필수적이다.

• $\frac{\pi}{4}$: 상수 위상 인자

  • 수학적 정의: 특정 각도.
  • 물리적/논리적 역할: 이 특정 값은 2-큐비트 상호작용의 강도와 유형을 결정한다. $\hat{Z}_1\hat{Z}_2$의 경우, $\pi/4$는 얽힘 게이트에 대한 일반적인 선택이다.

• $\hat{Z}_1$: 큐비트 1에 작용하는 파울리 Z 연산자

  • 수학적 정의: 일반적으로 계산 기저에서 $\begin{pmatrix} 1 & 0 \\ 0 & -1 \end{pmatrix}$인 $2 \times 2$ 행렬.
  • 물리적/논리적 역할: Z 기저에서의 측정을 나타내는 기본적인 단일 큐비트 파울리 연산자.

• $\hat{Z}_2$: 큐비트 2에 작용하는 파울리 Z 연산자

  • 수학적 정의: 두 번째 큐비트에 작용하는 $\hat{Z}_1$과 동일하지만.
  • 물리적/논리적 역할: 다른 큐비트의 $\hat{Z}_1$과 동일하지만.

• $\hat{Z}_1\hat{Z}_2$: 큐비트 1과 2에 대한 파울리 Z 연산자의 텐서 곱

  • 수학적 정의: $\hat{Z}_1 \otimes \hat{Z}_2$.
  • 물리적/논리적 역할: 2-큐비트 상호작용 또는 상관 관계를 나타낸다. 이 특정 상호작용은 다른 파울리 연산자가 이를 통해 진화될 때 연산자 크기를 "수축"시키는 것을 가능하게 한다.

연산자 크기 수축 (방정식 3)의 경우:
$$ m = \text{Size}(\hat{U}_{ct} \hat{O} \hat{U}_{ct}^\dagger) = \begin{cases} N_{xy} & \text{if } N_{xy} \in \text{odd}, \\ k & \text{if } N_{xy} \in \text{even}. \end{cases} $$

• $m$: 진화된 연산자의 새로운 크기

  • 수학적 정의: 비항등 파울리 연산자의 수를 세는 정수.
  • 물리적/논리적 역할: 이것은 수축적 유니터리를 적용한 직접적인 결과이다. 목표는 이 $m$을 가능한 한 작게 만드는 것이다.

• $\text{Size}(\dots)$: 연산자 크기 함수

  • 수학적 정의: 파울리 문자열에서 항등이 아닌 파울리 연산자의 수를 세는 함수.
  • 물리적/논리적 역할: 이것은 연산자의 "확산" 또는 "복잡성"을 정량화하는 데 사용되는 척도이다.

• $\hat{U}_{ct}$: $k$ 큐비트에 대한 전체 수축적 유니터리

  • 수학적 정의: 큐비트 $i$와 $j$에 작용하는 2-큐비트 수축적 유니터리 $\hat{U}_{ij}$ (식 (2)에서)의 곱 $\prod_{i
  • 물리적/논리적 역할: 이것은 $k$-큐비트 부분 시스템에 적용되는 완전한 결정론적 유니터리 연산이다. 상호 교환 가능한 2-큐비트 게이트로 구성된 특정 구성은 효율성의 핵심이다.

• $\hat{O}$: 초기 파울리 문자열 연산자

  • 수학적 정의: $k$개의 파울리 연산자(X, Y, Z, I)의 텐서 곱.
  • 물리적/논리적 역할: 이것은 우리가 기대값을 추정하고자 하는 관측량이다. 이는 유니터리 진화의 입력이다.

• $\hat{U}_{ct}^\dagger$: $\hat{U}_{ct}$의 에르미트 켤레

  • 수학적 정의: 유니터리 연산자의 역.
  • 물리적/논리적 역할: 연산자 $\hat{O}$의 유니터리 진화는 $\hat{U}\hat{O}\hat{U}^\dagger$로 주어진다.

• $N_{xy}$: 초기 파울리 문자열 $\hat{O}$에서 X 및 Y 연산자의 총 수

  • 수학적 정의: 정수 카운트.
  • 물리적/논리적 역할: 이것은 수축적 유니터리가 어떻게 작용하는지를 결정하는 초기 연산자의 결정적인 속성이다. $N_{xy}$의 홀짝성(홀수 또는 짝수)은 연산자 크기가 수축되는지 또는 그대로 유지되는지를 결정한다.

• $k$: 부분 시스템의 큐비트 수

  • 수학적 정의: 정수.
  • 물리적/논리적 역할: 이것은 연산자가 크기-$k$ 파울리 문자열(즉, 항등 연산자가 없는 경우)이라고 가정할 때 연산자의 초기 크기이다.

• if $N_{xy} \in \text{odd}$: 조건문이 수축을 설명한다.

  • 물리적/논리적 역할: 초기 연산자에 홀수 개의 X 또는 Y 구성 요소가 있으면, 수축적 유니터리는 효과적으로 모든 Z 연산자를 항등 연산자로 변환하여 연산자 크기를 $k$에서 $N_{xy}$로 줄인다. 이것이 섀도우 노름을 줄이는 주요 메커니즘이다.

• if $N_{xy} \in \text{even}$: 조건문이 수축이 없음을 설명한다.

  • 물리적/논리적 역할: 초기 연산자에 짝수 개의 X 또는 Y 구성 요소가 있으면, Z 연산자는 Z로 유지되며 연산자 크기는 $k$로 유지된다. 수축적 유니터리는 이 특정 경우 Z 연산자에는 도움이 되지 않지만, 크기를 증가시키지도 않는다.

수축적 유니터리의 파울리 가중치 (방정식 4)의 경우:
$$ w(\hat{O})_{ct} = \frac{1}{2 \cdot 3^k} \left[ \frac{(-1)^k + 1}{9^k} + \left(\frac{5}{9}\right)^k \right] $$

• $w(\hat{O})_{ct}$: 크기-$k$ 파울리 연산자 앙상블에 대해 평균된 진화된 연산자 $\hat{O}_{ct}$의 파울리 가중치

  • 수학적 정의: 이것은 수축적 유니터리를 사용할 때 계산된 평균 파울리 가중치이다. 이는 마스터 방정식의 $w(\hat{O}_U)_{\mathcal{E}_U}$의 특정 사례이다.
  • 물리적/논리적 역할: 이 값은 섀도우 노름의 스케일링을 직접적으로 결정한다. 저자들은 이 값이 $\sim 1.8^k$로 스케일링됨을 보여주며, 이는 무작위 클리포드 유니터리의 $\sim 2^k$ 스케일링보다 개선된 것이다.

• $\frac{1}{2 \cdot 3^k}$: 전체 스케일링 인자

  • 수학적 정의: 역 지수.
  • 물리적/논리적 역할: 이것은 $k$ 큐비트 상의 파울리 문자열의 총 수와 관련된 정규화 인자이다.

• $\frac{(-1)^k + 1}{9^k}$: $N_{xy}$가 짝수일 때 기여하는 항

  • 수학적 정의: $k$에 의존하는 항.
  • 물리적/논리적 역할: 이 표현의 이 부분은 $N_{xy}$가 짝수인 초기 연산자로부터의 파울리 가중치에 대한 기여를 설명한다. 이 시나리오에서는 Z 연산자가 수축되지 않고 연산자 크기가 $k$로 유지된다.

• $\left(\frac{5}{9}\right)^k$: $N_{xy}$가 홀수일 때 기여하는 항

  • 수학적 정의: $k$에 의존하는 항.
  • 물리적/논리적 역할: 이것은 개선된 스케일링을 제공하는 중요한 항이다. 이는 $N_{xy}$가 홀수인 초기 연산자로부터의 기여를 설명하며, Z 연산자의 수축과 더 작은 유효 연산자 크기로 이어진다. 이 항의 지수 밑 $5/9 \approx 0.55$는 무작위 클리포드 유니터리로부터의 $2^k$ 스케일링과 달리 $1.8^k$ 스케일링을 구동하는 요인이다.
  • 왜 덧셈인가? 이 두 항은 초기 파울리 연산자의 두 개의 분리된 집합(짝수 $N_{xy}$와 홀수 $N_{xy}$를 가진 것들)으로부터의 기여를 나타내므로, 그들의 평균 가중치가 합산된다.

단계별 흐름

이 맥락에서 단일 추상 데이터 포인트, 즉 $N$ 큐비트 상의 양자 상태 $\rho$를 상상하고, $k$ 큐비트 부분 시스템에 작용하는 특정 파울리 문자열 관측량 $\hat{O}$의 기대값을 추정하고자 한다고 가정해 보자. "수학적 엔진"이 이를 처리하는 방법은 다음과 같다:

1. 초기 상태 및 관측량: 양자 상태 $\rho$와 $k$ 큐비트 부분 시스템에 대한 대상 파울리 문자열 관측량 $\hat{O}$(예: $\hat{X}_1\hat{Z}_3\hat{Y}_5$)로 시작한다. 목표는 $\text{Tr}(\hat{O}\rho)$를 추정하는 것이다.

2. 무작위 단일 큐비트 회전: 핵심 유니터리를 적용하기 전에, $k$ 큐비트 부분 시스템은 무작위 단일 큐비트 회전 $\prod_i \hat{u}_{1,i}$의 레이어를 거친다. 이러한 회전은 클리포드 그룹에서 샘플링되며, 모든 연산자가 동등하게 측정되도록 보장하기 위해 국소 기저 의존성을 제거하는 역할을 한다.

3. 수축적 유니터리 적용: 여기서 본 논문의 혁신이 시작된다. 전역 결정론적 유니터리 $\hat{U}_{ct}$가 $k$ 큐비트 부분 시스템에 적용된다. 이 $\hat{U}_{ct}$는 부분 시스템 내의 모든 큐비트 쌍 $i, j$에 작용하는 2-큐비트 수축적 유니터리 $\hat{U}_{ij} = \exp(i\frac{\pi}{4} \hat{Z}_i\hat{Z}_j)$의 곱으로 구성된다. 이 단계의 목적은 관측량 $\hat{O}$를 "진화된" 연산자 $\hat{O}_{ct} = \hat{U}_{ct} \hat{O} \hat{U}_{ct}^\dagger$로 변환하는 것이다. 여기서 마법은 $\hat{U}_{ct}$가 상당한 비율의 연산자에 대해 $\hat{O}$의 "크기를 수축"시키도록 설계되었다는 것이다. 특히, 초기 $\hat{O}$가 홀수 개의 $\hat{X}$ 또는 $\hat{Y}$ 구성 요소($N_{xy}$가 홀수)를 가지면, $\hat{U}_{ct}$는 $\hat{O}$의 모든 $\hat{Z}$ 연산자를 항등 연산자로 변환하여 연산자 크기를 효과적으로 $k$에서 $N_{xy}$로 줄인다. $N_{xy}$가 짝수이면 크기는 $k$로 유지된다. 이 프로토콜의 전체 구조, 무작위 단일 큐비트 회전 및 전역 유니터리를 포함하여 그림 1a에 개략적으로 표현되어 있다. 그림 1b는 이 수축적 유니터리가 무작위 클리포드 유니터리에 비해 연산자 크기 분포를 어떻게 재구성하는지 더 자세히 보여준다.

4. 또 다른 레이어의 무작위 단일 큐비트 회전: 수축적 유니터리 이후, 무작위 단일 큐비트 회전 $\prod_i \hat{u}_{2,i}$의 또 다른 레이어가 적용된다. 이것은 완전한 복합 유니터리 연산 $\hat{U}_{\text{eff}} = (\prod_i \hat{u}_{2,i}) \hat{U}_{ct} (\prod_j \hat{u}_{1,j})$을 완성한다.

5. 계산 기저에서의 측정: 복합 유니터리 $\hat{U}_{\text{eff}}$가 상태 $\rho$에 적용된 후, $k$ 큐비트 부분 시스템은 계산 기저에서 측정된다. 이는 $|z\rangle = |z_1, \dots, z_k\rangle$와 같은 고전적 측정 결과를 생성한다.

6. 고전적 스냅샷 재구성: 각 측정 결과 $|z\rangle$로부터, 밀도 행렬의 "고전적 스냅샷"이 재구성된다. 이 스냅샷은 $\sigma_U(z) = \hat{U}_{\text{eff}}^\dagger |z\rangle\langle z| \hat{U}_{\text{eff}}$으로 주어진다. 이것은 측정 결과의 "역진화"이다.

7. 관측량에 대한 예측: 재구성된 각 스냅샷 $\sigma_U(z)$에 대해, $\hat{O}$의 기대값에 대한 예측이 이루어진다. 이는 $\text{Tr}(\hat{O} \sigma_U(z))$로 계산된다. 여기서 핵심은 유효 연산자 $\hat{O}_{\text{eff}} = \hat{U}_{\text{eff}}^\dagger \hat{O} \hat{U}_{\text{eff}}$가 수축적 유니터리 덕분에 더 작은 $m$ 값으로 이동된 크기 분포 $\pi(m)$를 갖는다는 것이다. 이는 $\text{Tr}(\hat{O} \sigma_U(z))$ 계산을 더 효율적으로 만든다.

8. 스냅샷 평균화: 단계 2-7은 충분한 수의 고전적 스냅샷을 수집하기 위해 여러 번(예: $M$번) 반복된다. $\text{Tr}(\hat{O}\rho)$에 대한 최종 추정치는 이러한 개별 예측을 평균하여 얻어진다: $\frac{1}{M} \sum_{\alpha=1}^M \text{Tr}(\hat{O} \sigma_U(z^\alpha))$.

9. 표본 복잡성 감소: 전체 프로세스는 이 추정치의 분산, 즉 섀도우 노름 $||\hat{O}||^2_{\mathcal{E}_U}$이 상당히 감소하도록 설계되었다. 연산자 크기 분포 $\pi(m)$를 더 작은 $m$ 값에 집중시킴으로써(수축적 유니터리 덕분에), $\sum_m \frac{\pi(m)_{\mathcal{E}_U}}{3^m}$ 항이 더 작아져 섀도우 노름이 낮아지고 따라서 더 적은 측정(더 작은 $M$)이 필요한 정밀도를 얻게 된다. 본 논문은 이것이 무작위 클리포드(2^k)에서 1.8^k 스케일링으로 감소함을 보여준다.

최적화 역학

이 논문에서의 "최적화"는 전형적인 기계 학습의 반복 학습 과정이 아니라, 양자 연산자와 유니터리의 구조에 대한 이론적 통찰력을 기반으로 한 의도적인 설계 선택이다. 기울기가 계산되거나 손실 함수가 반복적으로 알고리즘에 의해 최소화되는 것은 없다. 대신, 저자들은 우수한 메커니즘을 설계했다.

1. "손실 지형": 개념적으로, "손실"이 섀도우 노름 $||\hat{O}||^2_{\mathcal{E}_U}$이고 "매개변수"가 유니터리 앙상블 $\mathcal{E}_U$의 선택인 "손실 지형"을 상상할 수 있다. 무작위 클리포드 유니터리를 사용한 이전 작업은 특정 지점을 발견하여 $2^k$의 표본 복잡성 스케일링을 초래했다.

2. 설계를 통한 "학습": 저자들은 다양한 유니터리 연산이 연산자 크기 분포 $\pi(m)$에 어떻게 영향을 미치는지를 분석함으로써 "학습"한다. 그들은 "수축적 유니터리"($\hat{U}_{ct}$)라는 특정 결정론적 유니터리가 파울리 문자열 연산자의 크기를 선택적으로 줄이는 독특한 속성을 가지고 있음을 발견했다. 이것은 알고리즘적 돌파구가 아니라 이론적 돌파구이다.

3. 수축 메커니즘: 이 "최적화"의 핵심은 $\hat{Z}_i\hat{Z}_j$ 상호작용의 특정 대수적 속성에 있다. 파울리 연산자 $\hat{X}_i$ 또는 $\hat{Y}_i$가 $\hat{U}_{ij} = \exp(i\frac{\pi}{4} \hat{Z}_i\hat{Z}_j)$에 의해 진화될 때, 그것은 다른 $\hat{Z}$ 연산자를 변환할 수 있다. 예를 들어, 연산자 $\hat{O}$가 홀수 개의 $\hat{X}$ 또는 $\hat{Y}$ 구성 요소($N_{xy}$가 홀수)를 가지면, $\hat{U}_{ct}$는 효과적으로 $\hat{O}$의 $\hat{Z}$ 연산자를 항등 연산자($\hat{I}$)로 변환한다. 이것은 교환 관계의 직접적인 결과이다: $\hat{U}_{ij} \hat{Z}_i \hat{U}_{ij}^\dagger = \hat{Z}_i$ 및 $\hat{U}_{ij} \hat{X}_i \hat{U}_{ij}^\dagger = \hat{X}_i \hat{Z}_j$. 중요한 부분은 이러한 상호작용이 여러 큐비트에 걸쳐 어떻게 전파되는가이다. $N_{xy}$가 홀수일 때, $\hat{Z}$ 연산자는 $\hat{Z}_i\hat{Z}_j$ 게이트의 집합적 작용으로 인해 효과적으로 "취소"되거나 $\hat{I}$가 된다. 이것은 연산자 크기를 $k$에서 $N_{xy}$로 줄인다.

4. 분포 모양 만들기: 수축적 유니터리는 초기 파울리 문자열의 상당한 비율에 대해 연산자 크기를 수축시킴으로써 크기 분포 $\pi(m)$를 재구성한다. 무작위 클리포드 유니터리(빨간색 선)의 경우 $m \approx 3k/4$ 주변에 넓게 분포하는 대신, $\pi(m)$은 이제 더 작은 $m$ 값(특히, 홀수 $N_{xy}$의 경우 $N_{xy}$, 짝수 $N_{xy}$의 경우 $k$에서 델타 피크)에 집중된 분포를 갖는다. 더 작은 연산자 크기에 대한 이 집중된 분포는 수축적 유니터리가 연산자 크기를 줄이는 능력의 직접적인 결과이며, 이는 섀도우 노름을 감소시켜 결과적으로 표본 복잡성을 낮춘다.

5. 더 나은 스케일링으로의 수렴: "수렴"은 반복적인 것이 아니라, 우수한 스케일링 법칙의 시연이다. 저자들은 이론적으로 (그리고 수치적으로 검증하여) 이 신중하게 구성된 수축적 유니터리가 $\sim 1.8^k$ (또는 슬라이딩 트릭을 사용한 $k \times 1.8^k$)의 섀도우 노름 스케일링을 초래하며, 이는 이전 방법의 $2^k$ 스케일링보다 상당한 개선이라고 유도한다. 이것은 반복적인 최적화가 아닌 지능적인 설계를 통해 달성된 개념적 손실 지형에서 더 나은 영역으로의 "점프"를 나타낸다. 메커니즘은 유니터리가 선택되면 본질적으로 결정론적이다. 무작위성은 단일 큐비트 회전 및 측정 결과에서만 발생하며, 핵심 유니터리 자체에서는 발생하지 않는다.

Figure 3. The sliding trick for situations in which the location of the Pauli string operator is un- known. a, Schematics of the sliding trick. Each box represents an independent composite unitary applied to a subsystem with k qubits, as shown in Fig. 1a

결과, 한계 및 결론

실험 설계 및 기준선

수학적 주장을 엄격하게 검증하기 위해, 저자들은 주로 두 가지 유형의 N-큐비트 장거리 얽힘 상태인 그린버거-호른-자일링거(GHZ) 상태와 주기적 경계 조건을 갖는 1차원 클러스터(ZXZ) 상태에 초점을 맞춘 일련의 수치 실험을 설계했다. 이러한 실험의 경우, $k$개의 연속 큐비트 부분 시스템이 선택되었고, 특정 파울리 문자열 연산자에 대한 예측이 이루어졌다. GHZ 상태의 경우, 대상 연산자는 $\hat{O} = Z_1Z_2...Z_{k-1}Z_k$였고, ZXZ 상태의 경우 $\hat{O} = Z_1Y_2X_3X_4...X_{k-2}Y_{k-1}Z_k$였다. 결정적으로, 이러한 상태는 안정자 형식주의 하에서 효율적인 표현을 허용하여, GHZ 상태의 경우 $\langle \hat{O} \rangle = ((-1)^{k+1})/2$ 및 ZXZ 상태의 경우 $\langle \hat{O} \rangle = (-1)^k$와 같은 정확한 기대값의 해석적 유도를 가능하게 한다. 이러한 해석적 값은 실험적 예측이 비교된 "엄격한 벤치마크" 역할을 했다.

실험 절차는 각 샘플링 프로세스에 대해 여러 단계를 포함했다. 첫째, 단일 큐비트 회전은 24개의 단일 큐비트 클리포드 게이트 세트에서 독립적으로 생성되었다. 다음으로, 그림 1a에 묘사된 복합 유니터리 연산이 적용되었고, 계산 기저에서 샘플링된 측정 결과 $z^\alpha$가 이어졌다. 각 스냅샷에 대한 예측은 식 (1)에서 얻은 정확한 섀도우 노름을 사용하여 $O^\alpha = ||\hat{O}||^{-2} \text{Tr}(\hat{O}\sigma_U(z^\alpha))$로 계산되었다. 상당한 수의 스냅샷, 특히 $N = 10^5$개를 수집한 후, 기대값에 대한 최종 예측은 이러한 스냅샷을 평균하여 얻어졌다: $E[\langle \hat{O} \rangle] = \sum_{\alpha=1}^N O^\alpha / N$. 이 기대값의 표준 편차는 분산 $D[\langle \hat{O} \rangle] = \sum_{\alpha=1}^N (O^\alpha - E[\langle \hat{O} \rangle])^2 / N$로부터 추정되었다.

이 비교에서 "희생자"(기준선 모델)는 고전적 섀도우 토모그래피에서 최첨단을 나타내는 무작위 클리포드 유니터리를 사용하는 프로토콜이었다. 주요 결과는 $N = 20$ 시스템 크기에 대해 제시되었으며, $k \sim 20$인 더 큰 시스템으로 확장되는 보충 정보가 제공되었다.

연산자 파울리 문자열의 정확한 위치를 알 수 없는 시나리오를 다루는 추가 실험 세트가 있었다. 이를 위해 "슬라이딩 트릭"이 도입되었다. $N = n_0 k$ 큐비트 시스템은 각각 $k$개의 큐비트를 포함하는 $n_0$개의 부분 시스템으로 나뉘었다. 그런 다음 유니터리가 한 방향으로 한 큐비트씩 슬라이딩되어 $k$개의 서로 다른 유니터리 세트를 생성했다. 회로 구조는 $1/k$의 확률로 무작위로 선택되었다. 예를 들어, ZXZ 상태의 경우 $n_r \in [0, N)$이 무작위 정수인 연산자 $\hat{O} = Z_{n_r+1}Y_{n_r+2}X_{n_r+3}X_{n_r+4}...X_{n_r+k-2}Y_{n_r+k-1}Z_{n_r+k}$가 사용되었다. 이러한 테스트의 시스템 크기는 $N = 3k$였다. 이 시나리오의 기준선은 슬라이딩 트릭으로도 보강된 무작위 클리포드 프로토콜이었다. 이 슬라이딩 트릭의 개략도는 그림 3a에 설명되어 있다.

증거가 증명하는 것

본 논문에서 제시된 증거는 제안된 수축적 유니터리 프로토콜이 표준 무작위 클리포드 접근 방식에 비해 고전적 섀도우 토모그래피의 표본 복잡성을 상당히 줄인다는 것을 확실하게 증명한다. 작용하는 핵심 메커니즘은 수축적 유니터리가 진화된 파울리 문자열의 유효 "연산자 크기"를 보다 효율적으로 줄이는 능력이며, 이는 직접적으로 더 작은 섀도우 노름으로 이어져 더 적은 측정이 필요하다.

연산자 위치를 알고 있는 경우, 그림 2a와 2b는 수축적 유니터리와 무작위 클리포드 프로토콜 모두 파울리 문자열 연산자의 기대값에 대해 편향되지 않은 예측을 제공한다는 부인할 수 없는 증거를 제공한다. 수치 결과를 나타내는 실선은 GHZ 및 ZXZ 상태에 대한 해석적으로 유도된 정확한 기대값을 나타내는 검은색 점선과 놀랍도록 잘 일치한다. 이는 두 접근 방식 모두 정확성 측면에서 유효함을 확인한다.

그러나 수축적 유니터리의 결정적인 장점은 연산자 기대값의 분산 $D[\langle \hat{O} \rangle]$을 플로팅하는 그림 2c와 2d에서 명확하게 드러난다. 여기서 수축적 유니터리 프로토콜은 특히 $k$가 증가함에 따라 무작위 클리포드 프로토콜에 비해 일관되게 더 작은 표준 편차 (따라서 더 낮은 분산)를 나타낸다. 이 그림의 점선은 이론적 스케일링 법칙을 직접적으로 확인한다: 수축적 유니터리는 약 $2 \times 1.8^k$의 표본 복잡성 스케일링을 달성하는 반면, 무작위 클리포드 프로토콜은 $2^k$로 스케일링된다. 이것은 그들의 핵심 메커니즘이 실제에서 작동한다는 강력한 증거이다. $2^k$에서 $1.8^k$로의 감소는 상당하며, 현대 양자 계산 플랫폼에서 달성 가능한 크기인 $k \sim 100$의 경우, 이는 표본 자원에서 10,000배 이상의 개선으로 이어진다. 본 논문은 또한 수축적 유니터리 프로토콜이 양자 잡음에 대한 견고성을 보여준다고 언급하며, 이는 보충 정보(그림 S4)에서 보여준다.

이러한 개선된 스케일링의 근본적인 이유는 그림 1b에 의해 시각적으로 뒷받침되며, 이는 연산자 크기 분포 $\pi(m)$를 보여준다. 무작위 클리포드 유니터리(빨간색 선)는 연산자를 최대 스크램블링하여 대략 $m/k \approx 3/4$에서 피크를 이루는 광범위한 이항 분포를 초래한다. 대조적으로, 수축적 유니터리(파란색 선)는 더 작은 연산자 크기, 특히 $m/k \approx 2/3$ 근처에 집중된 분포를 초래하며, 추가적인 델타 피크는 $k$에 있다. 더 작은 연산자 크기에 대한 이 집중된 분포는 수축적 유니터리가 연산자 크기를 줄이는 능력의 직접적인 결과이며, 이는 더 작은 섀도우 노름과 결과적으로 더 낮은 표본 복잡성으로 이어진다.

정확한 연산자 위치를 알 수 없는 경우에도, "슬라이딩 트릭"과 수축적 유니터리의 조합은 이점을 유지한다. 그림 3b와 3c는 슬라이딩 트릭이 장착된 두 프로토콜 모두 편향되지 않은 예측을 제공함을 보여준다. 결정적으로, 슬라이딩 트릭을 사용한 수축적 유니터리의 분산은 $k \times 2^k$의 무작위 클리포드 프로토콜의 스케일링을 능가하는 $(32/19)k \times 1.8^k$로 스케일링된다. 표 I은 알려진 ($1.8^k$) 및 알려지지 않은 ($k \times 1.8^k$) 연산자 위치 시나리오 모두에서 수축적 유니터리의 우수한 표본 복잡성을 무작위 클리포드 ($2^k$ 및 $k \times 2^k$) 및 얕은 회로 프로토콜 ($>2^k$)과 비교하여 간결하게 요약한다.

한계 및 향후 방향

수축적 유니터리 프로토콜은 상당한 발전을 제시하지만, 현재의 한계를 인정하고 향후 개발을 고려하는 것이 중요하다.

한 가지 주목할 만한 과제는 연산자 위치에 대한 사전 지식 없이 시나리오를 확장할 때 발생한다. "슬라이딩 트릭"은 이를 해결하기 위해 도입되었지만, 표본 복잡성에 $k$의 인자를 추가하여 $k \times 1.8^k$의 스케일링을 초래한다. 이는 여전히 무작위 클리포드의 $k \times 2^k$보다 우수하지만, 이 $k$ 인자를 완화하기 위해 추가 최적화가 가능함을 시사한다. 수축적 유니터리를 전체 시스템 (부분 시스템이 아닌)에 단순하게 적용하면 무작위 클리포드 프로토콜의 섀도우 노름이 증가할 수 있으며, 수축적 유니터리의 경우 일반적으로 바람직하지 않은 항등 연산자를 Z로 다시 변환할 수 있다. 이는 확장 시 신중한 설계의 필요성을 강조한다. 또한, 본 논문은 슬라이딩 트릭을 사용한 무작위 클리포드 프로토콜이 충분히 큰 $k$에 대해 "얕은 회로 프로토콜을 능가하기 어렵다"고 언급하며, 슬라이딩 트릭을 사용한 수축적 유니터리가 더 낫지만, 무작위 클리포드 하나는 이 특정 시나리오에서 강력한 경쟁자가 아님을 시사한다.

앞으로 나아가면서, 이러한 발견은 몇 가지 흥미로운 토론 주제와 연구 방향을 열어준다:

1. 하드웨어별 최적화 및 구현: 본 논문은 수축적 유니터리가 재구성 가능한 특성, 모든 연결성 및 병렬 게이트 연산 능력을 갖춘 원자 배열 양자 계산 플랫폼의 장점과 완벽하게 일치한다고 강조한다. 이러한 플랫폼에서 고충실도 CZ 게이트 및 전역 CZ 게이트의 최근 실험적 성공은 수축적 유니터리를 쉽게 구현할 수 있게 한다. 또한, 저자들은 단일 보조 큐비트를 추가함으로써 수축적 유니터리가 $k$ 단계의 국소 게이트로 분해될 수 있음을 보여주며, 이는 연결성이 제한된 플랫폼(예: 초전도 큐비트)과 호환되도록 보장한다. 이는 특정 양자 아키텍처에 맞게 조정된 수축적 유니터리에 대한 하드웨어 인식 설계 및 최적화 탐색에 대한 풍부한 미래를 시사한다.

2. "수축적 유니터리" 개념의 일반화: 핵심 통찰은 복잡한 양자 시스템의 효율적인 특성화를 위해 결정론적 양자 회로를 의도적으로 설계하는 것이다. 이 "일반적인 아이디어"는 양자 전송, 양자 감지 및 양자 기계 학습에서 더 넓은 응용 분야를 가질 것으로 제안된다. 향후 연구는 파울리 문자열 연산자뿐만 아니라 다른 종류의 관측량 또는 양자 작업에 최적화된 다른 유형의 "수축" 또는 "스크램블링" 유니터리를 식별하고 구성하는 데 초점을 맞출 수 있다. 다른 종류의 연산자를 수축시키거나 다른 유리한 크기 분포를 달성하는 유니터리를 설계할 수 있는가?

3. 하이브리드 무작위-결정론적 프로토콜의 새로운 패러다임: 본 연구는 "무작위-결정론적 하이브리드 프로토콜이 완전 무작위 측정보다 더 효율적일 수 있다"는 것을 명시적으로 보여준다. 이것은 심오한 교훈이다. 이는 섀도우 토모그래피에 대해 완전 무작위 측정에만 의존하는 기존의 통념에 도전하고 측정 효율성, 견고성 및 구현 복잡성 사이의 최적의 절충점을 찾기 위한 양자 측정 프로토콜 설계를 위한 새로운 패러다임을 열어준다. 향후 연구는 이러한 하이브리드 프로토콜에 대한 최적의 절충점을 찾기 위해 다른 무작위 및 결정론적 요소의 조합을 탐색할 수 있다.

4. 이론적 한계 및 최적 유니터리 설계: 본 논문은 특정 수축적 유니터리를 제시하지만, 연산자 크기 수축에 대해 전역적으로 최적인지 여부는 여전히 열린 이론적 문제이다. 추가 연구는 섀도우 노름 및 표본 복잡성에 대한 더 엄격한 이론적 한계를 설정하고, 이를 사용하여 더 최적의 결정론적 유니터리 설계를 탐색하는 데 활용할 수 있다. 이는 다른 수학적 구조를 탐색하거나 고급 최적화 기술을 활용하는 것을 포함할 수 있다.

5. 견고성 및 오류 완화: 본 논문은 양자 잡음에 대한 프로토콜의 견고성을 간략하게 언급한다. 현재 양자 장치의 고유한 잡음 특성을 고려할 때, 다양한 현실적인 잡음 모델(예: 탈분극 잡음, 위상 제거, 게이트 오류) 하에서 수축적 유니터리의 잡음 내성에 대한 더 깊은 조사는 매우 중요할 것이다. 이러한 하이브리드 프로토콜에 특별히 맞춤화된 오류 완화 전략을 개발하면 실제 유용성을 더욱 향상시킬 수 있다.

본질적으로, 이 연구는 양자 상태 특성화를 위한 강력한 새로운 도구를 제공할 뿐만 아니라, 측정 및 정보 추출을 위한 양자 회로의 지능형 설계에 대한 더 넓은 논의를 촉발한다. 고전적 섀도우 토모그래피, 그리고 궁극적으로 양자 정보 처리의 미래는 결정론적 및 무작위 요소의 신중한 통합에 있을 수 있다.

Table 1. A comparison of the sample complexity for 34 the contractive unitary protocol, the random Clifford 35 protocol, and the shallow circuits protocol for situations 36 with or without the information of the precise location 37 of the Pauli string operators ˆO. 38 Table 2. Two-qubit Pauli operators with size-2. 39