양자 영감 텐서 네트워크를 이용한 고차 이징 최적화 알고리즘

초록

본 논문은 고전 스핀 해밀토니안을 양자 영감 방식으로 해결하기 위해 행렬곱 연산자(MPO)를 이용한 스펙트럼 필터링과 파워 이터레이션을 제안한다. 비용 함수를 양의 준정치형으로 변환한 뒤, MPO를 반복적으로 곱해 거대한 파워 연산자를 만들고 이를 행렬곱 상태(MPS)로 임베딩해 계산 기저에서 직접 샘플링한다. 실험 결과는 전통적인 DMRG와 시뮬레이티드 어닐링보다 지역 최소에 덜 갇히며, 결합 차원을 늘려 체계적으로 정확도를 향상시킬 수 있음을 보여준다.

상세 분석

이 연구는 고전 최적화 문제, 특히 이징 형태의 스핀 글래스 모델을 텐서 네트워크(TN) 프레임워크 안에서 해결하는 새로운 접근법을 제시한다. 핵심 아이디어는 원래의 비용 해밀토니안 Ĥ를 선형 변환 Ĝ = aĤ + bI 로 스케일링·시프트하여 모든 고유값을 비음수로 만든 뒤, 가장 큰 고유값이 원래의 최저 에너지 상태에 대응하도록 하는 것이다. 여기서 a = −1, b = Λ(Ĥ의 스펙트럼 반경보다 큰 상수) 로 선택하면 Ĝ는 양의 준정치형이 되며, Ĝ^K 를 K가 크게 될수록 최저 에너지 구성에 대한 확률을 지수적으로 증폭한다.

Ĝ를 MPO 형태로 표현함으로써, 파워 연산 Ĝ^K 는 MPO‑MPO 곱셈을 통해 효율적으로 구축된다. 저자들은 ‘linear schedule’(연속 곱)와 ‘doubling schedule’(자기 자신과 제곱) 두 가지 스킴을 비교했으며, 후자는 곱셈 횟수를 로그 스케일로 감소시켜 큰 K 값을 실현한다. 각 곱셈 단계에서 SVD 기반 차원 절단을 적용해 최대 결합 차원 χ와 절단 임계값 ε(=10⁻¹⁵)를 유지함으로써 메모리와 연산 복잡도를 제어한다.

파워 MPO가 완전히 대각화된 형태가 되면, 이를 |+⟩⊗N 의 MPS에 적용해 |Ψ⟩ ∝ Ĝ^K|+⟩⊗N 로 변환한다. 이 상태는 계산 기저에서 직접 완전 샘플링(perfect sampling)할 수 있어, 샘플링된 비트 문자열은 원래 비용 함수 C(z) 의 낮은 값에 편향된다. 이 과정은 양자 시스템에서의 imaginary‑time evolution과 유사하지만, Trotter 분해 없이 비유니터리 연산을 직접 MPO에 적용한다는 점에서 차별화된다.

실험에서는 2차원·3차원·4차원 하이퍼큐빅 격자와, 최근 양자 장치 벤치마크로 사용되는 heavy‑hexagonal 격자 위의 고차 이징(HUBO) 모델을 대상으로 성능을 평가했다. 비용 함수의 정확한 해는 CPLEX와 같은 정수 프로그램 솔버로 얻었으며, 제안된 파워‑MPO 방법은 수백 개 변수 규모에서도 최적 혹은 준최적 해를 안정적으로 찾아냈다. 특히 DMRG와 비교했을 때, 파워‑MPO는 결합 차원 χ를 증가시킬수록 점진적으로 정확도가 향상되며, 지역 최소에 빠지는 현상이 현저히 적었다. 시뮬레이티드 어닐링과도 비교했는데, 에너지 장벽이 높은 문제에서는 파워‑MPO가 더 높은 성공 확률을 보였다.

이론적 분석에서는 K가 필요로 하는 규모를 스펙트럼 갭 Δ와 전체 상태 수 D에 대한 로그 함수 형태로 도출하였다. K ≈ O