그림자 기반 탐욕형 양자 고유값 해법

초록

SEGQE는 고전적 그림자 기법을 활용해 다수의 후보 로컬 게이트를 동시에 평가하고, 매 반복마다 에너지 감소가 가장 큰 게이트를 선택해 회로를 확장하는 측정 효율적인 탐욕형 양자 고유값 알고리즘이다. 이론적으로 로그 규모의 샘플 복잡도를 보장하며, 1‑D TF‑Ising 및 무작위 로컬 해밀토니안에 대해 선형에 가까운 반복 횟수와 높은 상태 충실도를 실험적으로 확인하였다.

상세 분석

본 논문은 초기 오류 정정 단계에서 논리 측정이 비용이 크게 드는 상황을 겨냥해, 측정 샷을 최소화하면서도 높은 품질의 지상 상태를 준비할 수 있는 새로운 프레임워크인 Shadow‑Enhanced Greedy Quantum Eigensolver (SEGQE)를 제안한다. 핵심 아이디어는 고전적 그림자(classical shadows)를 이용해 현재 양자 상태 |ψ_k⟩에 대한 다수의 Pauli 기대값 p_{j,α}=⟨ψ_k|P_{j,α}|ψ_k⟩을 한 번의 측정 배치로 동시에 추정하고, 이를 바탕으로 후보 게이트 집합 G={U_j(θ)}에 대해 에너지 감소 ΔE_{k,j}(θ)=⟨ψ_k|H|ψ_k⟩−⟨ψ_k|U_j†(θ)HU_j(θ)|ψ_k⟩를 완전히 클래식하게 계산한다. 각 게이트는 로컬성 m≤n을 갖는 유니터리이며, Pauli 연산자 전개를 통해 ΔE_{k,j}(θ) 를 f_{j,α}(θ)·p_{j,α} 형태의 선형 결합으로 표현한다. 여기서 f_{j,α}(θ) 는 게이트 파라미터에만 의존하고, p_{j,α} 는 그림자를 통해 미리 추정된다. 따라서 파라미터 최적화는 전통적인 고전 최적화 루틴(예: 그리드 탐색 혹은 1‑D 분석)으로 수행될 수 있다.

이론적 기여는 두 가지 정리와 그에 따른 코롤라리로 요약된다. 정리 1은 임의의 고정된 유니터리 집합 {U_j}에 대해, 로컬 Pauli 측정 기반 그림자 N = O( log(K/δ)·4^m·l·M^2·c_max^2 / ε^2 ) 개만으로 모든 ΔE_{ψ}(U_j) 를 ε 정확도로 동시에 추정할 수 있음을 보인다. 여기서 K는 후보 게이트 수, l은 해밀토니안 항의 최대 로컬성, M은 후보 게이트와 겹치는 해밀토니안 항의 최대 개수, c_max는 해밀토니안 계수의 절대값 상한이다. 정리 2는 특히 X_j^2=I 를 만족하는 Pauli‑형 생성자를 갖는 회전 게이트 U_j(θ)=exp(−iθX_j/2) 에 대해, 최대 에너지 감소값과 그 최적 θ* 를 동일한 샘플 복잡도 N = O( log(K/δ)·4^m·l·M^2·c_max^2 / ε^2 ) 로 추정할 수 있음을 제시한다. 코롤라리 1은 전체 Pauli 연산자 집합을 후보로 삼을 경우에도 로그‑스케일의 샘플 복잡도가 유지된다는 점을 강조한다. 이러한 결과는 후보 게이트 수가 지수적으로 늘어나더라도 측정 비용이 로그에 비례하므로, 대규모 로컬 게이트 풀을 실용적으로 탐색할 수 있음을 의미한다.

실험에서는 1‑D transverse‑field Ising 모델(H=∑Z_iZ_{i+1}+h∑X_i)과 무작위 로컬 해밀토니안(각 항의 로컬성 l≤3)에 대해 n=820 qubit 규모를 테스트하였다. 후보 게이트 풀은 2‑local Pauli 회전과 1‑local 단일‑큐빗 게이트를 포함했으며, 각 반복마다 N≈10^410^5개의 그림자를 수집하였다. 결과는 (i) 반복 횟수가 시스템 크기에 대해 거의 선형적으로 증가하고, (ii) 최종 에너지 오차가 O(10^{-3}) 수준으로 수렴하며, (iii) 상태 충실도가 0.99 이상 유지되는 것을 보여준다. 또한, 동일한 회로 깊이와 측정 예산을 갖는 전통적 VQE와 비교했을 때, SEGQE는 파라미터 최적화에 필요한 그라디언트 추정 비용을 완전히 제거함으로써 전체 실행 시간이 약 2‑3배 가량 단축되었다.

제한점으로는 (1) 샘플 복잡도가 로컬성 m과 l에 대해 4^m·l 형태로 지수적으로 증가하므로, 고차원 다중‑큐빗 게이트나 비‑로컬 해밀토니안에 직접 적용하기는 어려울 수 있다. (2) 탐욕적 선택은 전역 최적성을 보장하지 않으며, 특히 복잡한 에너지 지형을 가진 시스템에서는 지역 최소에 머물 위험이 있다. 저자는 이러한 문제를 해결하기 위해 후보 풀을 동적으로 확장하거나, 탐욕 단계 사이에 작은 확률적 변이를 도입하는 하이브리드 전략을 제안한다.

전반적으로 SEGQE는 “그림자 + 탐욕”이라는 두 가지 강력한 아이디어를 결합해, 초기 오류 정정 단계에서 논리 측정이 제한적인 환경에서도 실용적인 양자 상태 준비를 가능하게 만든다. 향후 연구에서는 (i) 비‑로컬 연산자를 포함하는 확장된 그림자 스킴, (ii) 다중‑스케일 후보 풀 설계, (iii) 실제 오류 정정 코드와의 통합을 통한 전체 파이프라인 최적화 등을 통해 측정 효율성을 더욱 향상시킬 여지가 있다.