연속시간 양자 오류 정정 최적화: 임의 잡음에 대한 머신러닝 접근

초록

본 논문은 연속시간 양자 오류 정정(CT‑QEC) 프레임워크에서, 임의의 CPTP 잡음 채널에 대해 최적의 코드 공간과 복구 맵을 동시에 찾는 머신러닝 기반 최적화 프로토콜을 제안한다. 신경망을 이용해 약한 복구 채널을 파라미터화하고, Grassmannian 위에서 코드 서브스페이스를 리만 기울기 하강법으로 최적화한다. 평균 논리 상태 충실도를 목표 함수로 삼아, 비마르코프, 누수, 비파울리 오류 등 복잡한 잡음에도 적용 가능한 맞춤형 복구 전략을 자동으로 도출한다.

상세 분석

이 연구는 연속시간 양자 오류 정정(CT‑QEC)의 핵심 난제인 “어떤 측정 기반과 약한 복구 연산이 최적인가”라는 질문에 대한 체계적인 해답을 제시한다. 먼저, 모든 완전양자양성(CPTP) 맵이 볼록 집합을 이룬다는 사실을 이용해, 신경망의 출력층을 Kraus 연산자 집합으로 매핑한다. 여기서 임의의 복소 행렬 집합 {G_j}를 신경망이 생성하고, 이를 정규화하여 {R_j}=G_j H^{-1/2} (H=∑_j G_j†G_j) 형태의 Kraus 연산자를 만든다. 이렇게 하면 출력이 자동으로 trace‑preserving 조건을 만족하는 약한 복구 채널 ˜R=(1−ε^2)I+ε^2R 로 표현된다. ε=√(κδt) 로 정의된 작은 파라미터는 연속시간 한계에서 측정·보정 강도를 조절한다.

코드 공간 최적화는 Grassmannian M 위에서 수행된다. 코드 서브스페이스는 2^k 차원의 논리 서브스페이스를 정의하는 투영 연산자 P로 표현되며, 이는 비볼록 구조이므로 일반적인 유클리드 기울기 하강법으로는 최적화가 불가능하다. 저자들은 Riemannian gradient descent 를 적용해, Euclidean gradient 를 M의 접공간에 사영한 후, 재정규화 과정을 통해 코드 서브스페이스를 업데이트한다. 이 과정은 기존의 교대로 최적화하는 bi‑convex 방법과 달리, 코드와 복구를 동시에 (simultaneously) 개선한다는 장점을 가진다.

목표 함수는 평균 논리 상태 충실도 F̄=E_{noise}