딥러닝으로 보는 양자 얽힘과 디스코드 분류

초록

본 논문은 합성곱 자동인코더(CAE)를 이용해 $d\times d$ 양자 시스템( $d=2\sim7$ )에서 얽힘과 양자 디스코드를 구분하는 무감독·감독 학습 모델을 제안한다. 얽힘 탐지는 분리 상태만으로 학습한 CAE의 재구성 오차를 기준으로 NPT와 PPT 상태를 구분하고, 전처리와 잠재공간 탐색을 통해 결합 얽힘(bound entanglement) 샘플을 생성한다. 디스코드 탐지는 고전‑고전(CC) 상태만으로 학습해 양자‑고전(QC)·고전‑양자(CQ) 상태를 높은 정확도로 판별한다. 실험 결과 모든 차원에서 98 % 이상(디스코드 99 % 이상)의 정확도를 달성하였다.

상세 분석

이 연구는 양자 얽힘과 디스코드라는 두 핵심 양자자원에 대해 딥러닝 기반의 자동인코더를 적용함으로써 기존의 수학적 판별 기준을 보완한다. 얽힘 분류에서는 완전히 무감독 방식으로, 무작위로 생성한 분리 상태(텐서곱의 혼합)만을 학습 데이터로 사용한다. CAE는 입력 밀도 행렬을 압축‑복원하는 과정에서 재구성 오차를 최소화하도록 훈련되며, 이 오차가 큰 경우는 입력이 학습된 분리 상태 공간에 속하지 않음을 의미한다. 따라서 재구성 오차를 임계값으로 설정하면 NPT(음의 부분전치) 상태와 PPT(양의 부분전치) 상태를 효과적으로 구분할 수 있다. 흥미롭게도, 모델은 손실 함수에 명시적으로 포함되지 않은 로컬 유니터리 변환에 대한 불변성을 자연스럽게 학습한다. 이는 로컬 유니터리를 적용한 뒤에도 동일한 재구성 오차를 보이는 것으로 확인되며, 실제 실험에서 무작위 로컬 유니터리를 적용한 상태에 대해 높은 정확도를 유지한다.

결합 얽힘(PPT이면서 비분리인 상태)의 경우, 초기에는 희소 행렬 표현과 밀집 행렬 표현 사이의 분포 차이로 인해 오분류가 발생한다. 저자들은 로컬 유니터리 변환을 이용해 희소 행렬을 밀집 형태로 변환하는 전처리 과정을 도입함으로써 이 문제를 해결하고, $d=3\sim7$ 차원에서 98 % 이상의 정확도를 회복한다. 또한, 학습된 CAE의 잠재공간을 탐색해 새로운 결합 얽힘 샘플을 생성하고, 이를 대칭 확장 기준으로 검증함으로써 모델이 단순 분류를 넘어 데이터 생성까지 가능함을 입증한다.

디스코드 분류에서는 얽힘 탐지와 구조가 동일한 CAE를 사용하지만, 학습 데이터는 양자‑클래식(CQ)·클래식‑양자(QC) 상태가 아닌 완전 고전‑고전(CC) 상태만을 사용한다. CC 상태는 디스코드가 0인 특수한 분리 상태이므로, 모델은 CC와 비CC(즉, 디스코드가 존재하는 상태) 사이의 재구성 오차 차이를 학습한다. 이 경우는 얽힘 탐지보다 훨씬 빠르게 수렴하며, 단일 epoch만으로도 $d\ge3$에서 99 % 이상의 정확도를 달성한다.

전체적으로 본 논문은 (1) 재구성 오차 기반의 무감독 얽힘 판별, (2) 로컬 유니터리 불변성 활용, (3) 전처리와 잠재공간 탐색을 통한 결합 얽힘 생성, (4) 동일 아키텍처를 이용한 디스코드 판별이라는 네 가지 핵심 기여를 제시한다. 기존의 PPT, 엔트로피 기반 방법에 비해 차원 확장성이 뛰어나며, 훈련 비용도 상대적으로 낮다. 다만, 모델이 밀도 행렬 자체를 입력으로 사용하기 때문에 실험 데이터가 직접적인 측정값이 아닌 경우 전처리 단계가 필요하고, 고차원($d>7$)으로의 확장은 아직 검증되지 않았다.