기하학적 잠재공간을 이용한 양자 상태 단층촬영

초록

본 논문은 고전 신경망 인코더와 파라미터화된 양자 회로 디코더를 결합한 하이브리드 구조를 제안한다. 새로운 메트릭 보존 손실을 통해 잠재공간의 유클리드 거리와 양자 상태의 Bures 거리 사이에 비례 관계를 강제함으로써, 2‑큐비트 혼합 상태를 20 차원 잠재벡터로 압축하면서도 양자 기하학을 78 % 이상 유지한다. 평균 재구성 충실도는 0.942 ± 0.03이며, 잠재공간에서의 거리 연산만으로 상태 구분·충실도 추정·오류 완화가 가능해 NISQ 디바이스에 실용적인 이점을 제공한다.

상세 분석

이 연구는 양자 상태 단층촬영(QST)의 근본적인 확장성 문제를 신경망 기반 압축과 양자 기하학 보존이라는 두 축으로 동시에 해결하려는 시도이다. 기존의 신경망 단층촬영은 재구성 정확도는 높지만, 양자 상태공간이 갖는 리만 기하(특히 Bures 메트릭)를 무시한다는 한계가 있었다. 저자들은 이를 극복하기 위해 ‘메트릭‑프리저베이션 손실’(L_metric)을 도입했으며, 이는 잠재벡터 z_i와 z_j 사이의 유클리드 거리 d_L와 해당 원본 상태 ρ_i, ρ_j 사이의 Bures 거리 d_B 사이의 비례성을 최소화한다. 구체적으로는 d_L·d_B⁻¹와 스케일링 상수 α 사이의 차이를 제곱해 평균을 구함으로써, 전역적인 스케일링 관계가 학습되도록 설계하였다.

아키텍처는 15 차원의 Pauli 측정 결과를 입력으로 하는 3‑계층 피드포워드 인코더(256‑128‑20)와, 잠재벡터를 36 차원 양자 회로 파라미터 θ로 매핑하는 선형 변환, 그리고 6 레이어(각 레이어당 RY·CNOT)로 구성된 파라미터화 양자 회로 디코더로 이루어진다. 디코더는 최대 혼합 상태 I/4에서 시작해 θ에 따라 회로를 적용하고, 최종적으로 ρ_pred을 얻어 Pauli 기대값을 다시 측정한다. 이 과정 전체가 자동 미분 프레임워크(PennyLane)로 연결돼 역전파가 가능하도록 구현되었다.

학습 목표는 재구성 손실 L_recon(1‑Fidelity)와 메트릭 손실 L_metric의 가중합 L_total = L_recon + λ·L_metric이며, λ=0.06이라는 경험적 값이 두 목표 사이의 균형을 최적화한다는 실험적 근거를 제시한다. 훈련 데이터는 2‑큐비트 혼합 상태 2,000개(7가지 잡음 모델)와 검증 데이터 500개로 구성되었으며, 순수도 0.85–0.95 범위의 NISQ 환경을 모사한다.

결과적으로, 평균 충실도 F=0.942±0.03을 달성했으며, 잠재공간과 Bures 거리 사이의 Pearson r=0.88, R²=0.78이라는 높은 상관을 보였다. 이는 잠재공간이 양자 상태의 구별 가능성을 보존한다는 강력한 증거이다. 또한, 내재 차원 추정(MLE 및 PCA) 결과 잠재공간의 실제 차원은 약 6.35이며, 이는 20 차원 잠재벡터가 충분히 과잉 표현하고 있음을 의미한다. 지역 곡률 κ≈0.011±0.006은 완전 평면이 아님을 보여, 비선형 기하학적 구조가 존재함을 확인한다.

이러한 기하학적 보존은 실용적인 응용을 가능하게 만든다. 예를 들어, 잠재공간에서 유클리드 거리를 계산함으로써 양자 상태 간 충실도를 빠르게 추정할 수 있고, 최근접 이웃 탐색을 통해 실시간 상태 구분이 가능하다. 또한, 오류 궤적이 잠재공간에서 연속적인 곡선으로 나타나므로, 오류 완화 전략을 시각적으로 설계하고 적용할 수 있다. 이러한 기능은 전통적인 전밀도 행렬 재구성(O(4ⁿ))에 비해 O(d²) 수준의 계산 복잡도로 구현 가능해, 제한된 코히런스 타임을 갖는 NISQ 디바이스에 적합하다.

전반적으로 이 논문은 양자 머신러닝 분야에서 ‘기하학적 의미를 보존하는 압축 표현’이라는 새로운 패러다임을 제시하며, 향후 고차원 다중 큐비트 시스템에 대한 확장 가능성과 실시간 양자 상태 모니터링에 대한 기반을 제공한다.