양자 채널 학습을 위한 반정밀 프로그래밍 접근법

초록

본 논문은 고전 데이터 샘플로부터 양자 채널을 복원하는 문제를, 전체 충실도가 두 개의 2차 형식 비율로 표현될 수 있는 경우에 한해 반정밀 프로그래밍(SDP)으로 정형화한다. Choi 행렬을 변수로 삼아 목적함수와 제약조건을 선형화함으로써 최적화 문제를 볼록하게 만들고, 상용 SDP 솔버들을 이용해 다양한 형태의 채널을 효율적으로 재구성한다. 실험 결과는 복원된 채널의 Kraus 차수가 최대 가능한 차수의 몇 퍼센트 수준에 불과함을 보여, 실제 데이터는 저차원(저 Kraus 차수) 양자 채널로 충분히 설명될 수 있음을 시사한다. 또한 투사 연산자 복원과 고전 컴퓨터 기반 양자 채널 변환 모델에 대한 논의도 포함한다.

상세 분석

이 연구는 양자 채널 학습을 “입력‑출력 데이터 → 양자 상태 매핑 → 채널 적용 → 출력 상태”라는 4단계 파이프라인으로 구조화한다. 핵심 아이디어는 전체 충실도 F를
(F=\sum_{\ell}\omega_\ell\langle\phi_\ell|,\mathcal{E}(\rho_\ell),|\phi_\ell\rangle)
와 같이 표현하고, 이를 Kraus 연산자 (B_s) 혹은 Choi 행렬 (J)에 대한 2차 형식으로 전개하는 것이다. 특히 입력이 혼합 상태, 출력이 순수 상태인 경우에만 충실도가 정확히 2차식이 되며, 이는 “비율 형태의 2차 형식”(quadratic‑over‑quadratic)으로 SDP에 바로 적용할 수 있게 만든다.

채널을 Kraus 형태 ( \mathcal{E}(\rho)=\sum_s B_s\rho B_s^\dagger) 로 쓰면 목적함수와 제약조건(완전 양자 양성, trace‑preserving 혹은 unit‑matrix‑preserving)이 모두 2차식이 된다. 이를 Choi 행렬 (J_{jk;j’k’}=\sum_s B_{jk}^{s*}B_{j’k’}^{s}) 로 변환하면, 목적함수는 (\operatorname{Tr}(JS)) 형태의 선형식이 되고, 제약조건은 (\operatorname{Tr}\text{output}(J)=\mathbb{I}\text{input}) 혹은 (\operatorname{Tr}\text{input}(J)=\mathbb{I}\text{output}) 와 같은 부분 트레이스로 표현된다. 여기서 (J\succeq0) 라는 반정밀성 조건만이 남아, 전형적인 SDP 형태
\