얕은 대칭 회로와 전역 Haar 무작위성 구분 및 QCA 학습 알고리즘

초록

본 논문은 (i) 깊이가 시스템 길이보다 작은 로컬 유니터리 회로가 연속적인 온사이트 대칭이나 에너지 보존과 같은 총합 보존량이 존재할 때 전역 Haar 무작위 유니터리와 쉽게 구별됨을 보이고, (ii) 얕은 회로를 학습하기 위한 구체적인 알고리즘을 제시하며 이를 양자 셀룰러 자동자(QCA)와 연결시킨다. 마지막으로 (iii) D 차원 격자에서 부피 V인 번역 불변 QCA를 O(V)개의 로컬 게이트로 구현할 수 있는 “계단식” 방법을 서브알제브라 펌핑을 통해 증명한다.

상세 분석

논문은 먼저 대칭이 보존되는 경우 얕은 회로가 전역 Haar 무작위와 구별 가능하다는 정량적 프로토콜을 제시한다. 총합 보존량 Q=∑iQi 를 정의하고, Q의 지역 밀도를 초기 상태 ρ0에 넣어 A 구역에만 비제로 기대값 q 를 갖게 한다. 깊이가 O(n) 미만인 대칭 회로 W는 두 부분 WAB·WBC 로 분해될 수 있는데, 여기서 WAB는 A–B 구역에, WBC는 B–C 구역에 작용한다. 프로토콜은 AB 구역에 대칭 Haar 무작위 UAB 를 삽입한 뒤 W 를 적용하고, 최종적으로 A 구역의 Q값을 측정한다. UAB 가 대칭 Haar이므로 AB 구역을 교환해도 분포가 변하지 않아, 얕은 회로에서는 ⟨QA⟩≈q/2가 유지된다. 반면 전체 시스템에 대해 Haar 무작위 UC 를 적용하면 전하가 전체에 고르게 퍼져 ⟨QA⟩≈q/4 정도로 감소한다. 이 차이는 O(log1/δ) 번의 반복으로 통계적으로 구별 가능하며, 얕은 회로가 대칭 k‑design을 이루려면 깊이가 선형이어야 함을 의미한다.

두 번째 주요 결과는 얕은 회로 학습 알고리즘이다. 주어진 얕은 유니터리 U에 대해 U⊗U† 를 구현하는 회로를 구성하고, 이를 통해 각 로컬 스와프 연산 Si,i′ 를 U에 의해 공역된 형태 (U⊗1)Si,i′(U†⊗1) 로 복원한다. 핵심은 로컬 밀도 행렬 ρ를 준비하고, UρU† 를 토모그래피로 재구성함으로써 UPU† (P는 Pauli 혹은 일반화된 Pauli) 를 학습하는 것이다. Pauli 연산은 대수 동형사상으로 전체 알제브라를 생성하므로, X와 Z 두 개만 알면 모든 P에 대한 변환을 알 수 있다. 이 과정은 깊이에만 의존하고 시스템 크기에 독립적이며, 병렬화가 가능해 전체 쿼리 수를 O(n/v) 로 줄일 수 있다(v는 U의 스프레드 반경 내의 사이트 수).

세 번째 결과는 번역 불변 QCA의 게이트 복잡도이다. 기존 연구는 QCA가 O(n) 개의 게이트로 구현 가능함을 보였는데, 저자는 “가역 서브알제브라 펌핑”이라는 귀납적 방법을 제시한다. D 차원 격자에서 부피 V인 시스템에 대해, 스프레드 r 를 갖는 QCA α는 지역 알제브라를 단계적으로 확장·축소하면서 전체 알제브라를 보존하는 유니터리 U를 구성한다. 이 U는 각 단계마다 O(V) 개의 로컬 게이트만 필요하므로 전체 복잡도는 O(V) 가 된다. 특히 1차원에서의 shift QCA는 스위프 게이트를 이용한 “계단식” 회로로 구현되며, 깊이는 시스템 크기와 비례하지만 게이트 수는 선형에 머문다.

전체적으로 논문은 대칭 보존량이 얕은 회로와 전역 무작위 사이의 구별을 가능하게 함을 증명하고, 이를 기반으로 얕은 회로를 효율적으로 학습하는 구체적 절차를 제시한다. 또한 QCA의 구조적 특성을 활용해 번역 불변 QCA를 선형 게이트 수로 구현할 수 있음을 보여, 양자 회로 설계와 복잡도 이론에 중요한 통찰을 제공한다.