실패에 강한 광자 그래프 상태 생성 적응 프레임워크

초록

본 논문은 선형 광학 환경에서 비결정적 퓨전 측정을 이용해 작은 선형 클러스터를 결합해 대형 그래프 상태를 만드는 과정을 최적화한다. 퓨전 실패 시 남은 그래프 조각을 재활용하는 적응형 프로토콜을 제안하고, 이를 유한 마코프 과정으로 모델링해 평균 첫 통과 시간(MFPT)을 최소화하는 알고리즘 파이프라인을 구축한다. 시뮬레이션 결과, 50~75% 성공 확률의 현실적인 퓨전에서 기존 ‘반복 성공까지’ 방식보다 수십 배에서 수천 배까지 오버헤드가 감소한다.

상세 분석

이 연구는 광자 기반 양자 컴퓨팅에서 핵심 자원인 그래프 상태를 효율적으로 생성하기 위한 이론적·알고리즘적 토대를 제공한다. 먼저 그래프 상태를 정점과 간선으로 표현하고, 로컬 컴플리멘테이션·피벗 연산을 통해 로컬 클리포드 변환을 그래프 이론적으로 기술한다. 퓨전 네트워크는 초기 자원 그래프 H와 퓨전 대상 간선 집합 F의 쌍으로 정의되며, 성공적인 퓨전은 F 의 각 간선을 차례로 수축하거나 피벗 후 정점 삭제로 목표 그래프 G 를 얻는 과정이다. Type‑I 퓨전은 성공 시 간선 수축, 실패 시 두 정점 모두 Z 측정으로 삭제되는 반면, Type‑II 퓨전은 {XZ, ZX} 측정을 통해 피벗 연산과 정점 삭제가 동시에 일어나며, 실패 시 한 정점은 Z, 다른 정점은 X 측정으로 부분 피벗이 발생한다. 이러한 퓨전 동작을 마코프 체인으로 모델링하면, 각 상태는 현재 남아 있는 그래프와 남은 퓨전 집합으로 표현되고 전이 확률은 퓨전 성공 확률 p 와 실패 확률 1‑p 에 의해 결정된다. 평균 첫 통과 시간(MFPT)은 초기 상태에서 목표 상태까지 도달하는 기대 퓨전 횟수이며, 이는 선형 방정식 (I‑P) x = 1 을 풀어 구한다. 논문은 MFPT를 최소화하기 위한 세 단계 최적화 파이프라인을 제시한다. 첫째, 목표 그래프와 동형이면서 퓨전 비용이 낮은 로컬 등가 그래프를 탐색한다. 둘째, 그래프 마이너 관계를 이용해 가능한 퓨전 네트워크들을 생성하고, 각 네트워크에 대해 퓨전 순서를 탐색한다. 셋째, 순열 탐색은 동적 프로그래밍과 휴리스틱(예: 가장 높은 연결 차수를 가진 정점부터 퓨전)으로 구현되어 MFPT를 크게 감소시킨다. 실험에서는 2‑3‑큐빗 선형 클러스터와 Type‑I/II 퓨전을 조합한 여러 시나리오를 평가했으며, 특히 성공 확률이 0.50.75 구간일 때 기존의 “repeat‑until‑success” 방식 대비 10²10⁴ 배의 퓨전 횟수 절감 효과를 보였다. 이는 실제 광자 실험실에서 소스 재생산 비용과 광자 손실을 크게 낮출 수 있음을 의미한다. 또한 마코프 모델을 통한 비용 예측이 프로토콜 설계 단계에서 실시간 피드백을 제공함으로써, 하드웨어 제한(예: 광자 발생률, 검출 효율)과 연계된 최적화가 가능함을 강조한다. 전반적으로 이 논문은 그래프 상태 생성의 이론적 복잡성을 실용적인 알고리즘으로 전환하고, 실패를 활용하는 적응형 전략이 양자 광학 회로 설계에 새로운 패러다임을 제시한다.