신경망 기반 잡음 완화 양자 상태 토모그래피

초록

본 논문은 다층 퍼셉트론(MLP) 신경망을 이용해 실험적 잡음이 섞인 측정 데이터로부터 양자 상태를 복원하고, 잡음 모델을 사전에 가정하지 않은 데이터‑주도 방식으로 잡음을 자동 완화하는 방법을 제안한다. 차콜스키 분해와 변형된 one‑hot 인코딩을 통해 물리적 제약을 보장하고, 순수 상태와 무작위 혼합 상태에 대한 시뮬레이션에서 99.5% 이상의 평균 충실도를 달성함을 보인다.

상세 분석

이 연구는 양자 상태 토모그래피(QST)의 핵심 문제인 실험 잡음 완화를 신경망 기반 함수 근사로 접근한다는 점에서 혁신적이다. 기존 방법들은 잡음 모델을 명시적으로 추정하거나 저‑랭크 가정을 두어 압축 센싱을 활용했지만, 본 논문은 잡음 형태와 강도에 대한 사전 지식 없이도 다변량 측정 데이터와 목표 상태 사이의 비선형 매핑을 학습한다. 이를 위해 저자들은 먼저 물리적 제약을 만족하도록 밀도 행렬을 ρ = RR† 형태의 차콜스키 분해로 표현하고, R의 독립적인 실수 원소만을 파라미터 벡터 α에 압축한다. 이 과정은 행렬의 양의 반보존성과 정규화를 자동으로 보장한다.

다음으로, 연속적인 파라미터 공간을 이산화하면서도 부드러운 경계를 유지하기 위해 변형된 one‑hot 인코딩을 도입한다. 각 α_i 를 사전에 정의된 구간