텐서 네트워크와 측정 기반 양자 탐색: 사전 학습된 MPS를 활용한 효율적인 지상 상태 시뮬레이션

초록

본 논문은 DMRG‑기반 MPS를 사전 학습된 초기 상태로 사용하고, von Neumann 측정 원리를 이산화한 포인터 레지스터와 양자 푸리에 변환(QFT)을 결합한 새로운 양자 알고리즘을 제안한다. Hamiltonian을 MPO 형태로 표현하고, 단일 트로터화된 시간 진화를 통해 포인터 큐비트에 에너지 정보를 인코딩한 뒤 역 QFT와 측정을 수행해 지상 상태 에너지를 추정한다. 기존 QPE와 비교해 회로 깊이가 짧아 NISQ 디바이스에 적합하며, 상태 준비 단계에서 텐서 네트워크가 제공하는 높은 초기 겹침을 활용한다.

상세 분석

이 논문은 양자 시뮬레이션에서 가장 큰 병목 중 하나인 초기 상태 준비와 회로 깊이 문제를 동시에 해결하려는 시도로, 두 가지 기존 기술을 교묘히 결합한다. 첫 번째는 고전적인 텐서 네트워크, 특히 DMRG를 이용해 1차원 강하게 상관된 시스템의 지상 상태를 MPS 형태로 최적화하고, 이를 양자 회로에 직접 로드하는 방법이다. MPS를 오른쪽 정규형으로 변환한 뒤, 각 텐서를 등가적인 유니터리 연산으로 분해해 순차적인 스테어케이스 회로를 구성함으로써, bond 차원 χ에 따라 2‑qubit 혹은 다중‑qubit 게이트로 구현한다. 이 과정은 기존에 “state‑injection”이라 불리던 기술보다 훨씬 효율적이며, 초기 겹침(overlap) ⟨Ω|ψ⟩이 크게 확보돼 이후 측정 기반 알고리즘의 성공 확률을 크게 높인다.

두 번째 핵심은 von Neumann 측정 처방을 이산화하여 포인터 레지스터에 에너지 정보를 매핑하는 것이다. 연속적인 위치-운동량 변수 p̂를 r개의 포인터 큐비트로 디지털화하고, 초기 상태 |x=0⟩를 좁은 파동패킷으로 준비한다. 시스템과 포인터 사이의 상호작용 H⊗p̂를 구현한 뒤, 시간 t 동안 진화시키면 각 고유 상태 |ψ_j⟩에 대해 포인터의 위치가 x = tE_j 로 이동한다. 이어서 역 QFT를 수행하면 포인터 레지스터에 E_j에 비례하는 위상 정보가 집중된 확률분포 P(x)가 생성된다. 측정을 반복하고 피크 위치 ˆx를 추정함으로써 에너지 ˆE = 2πˆx/t 를 얻는다. 이 방식은 전통적인 QPE가 요구하는 다중 제어된 시간 진화와 긴 코히런스 시간을 필요로 하지 않으며, 대신 트로터화된 단일 진화와 다수의 샷을 활용한다.

논문은 또한 알리아싱 방지 조건 (E_max−E_min)·t/2π < 2^r, 단일 샷 성공 확률 ≥ 1−δ, 그리고 샷 수 M에 따른 통계적 오차 σ_E ∝ 1/(t√M) 등을 정량적으로 제시한다. 하드웨어 측면에서는 Suzuki‑Trotter 분해 차수와 게이트 오류를 고려한 리소스 추정이 포함돼, 현재 NISQ 디바이스에서 실현 가능한 게이트 수와 깊이를 제시한다. 마지막으로, MPO 형태로 Hamiltonian을 표현하고, 스핀 체인 및 전자구조 모델에 적용한 시뮬레이션 결과를 통해, 전통적인 DMRG와 비교했을 때 에너지 정확도가 크게 향상되고, 양자 회로의 깊이는 1~2배 수준에 머무른다는 점을 강조한다.