그래프 트랜스포머 기반 신경양자상태 임퓨리티 솔버로 본 양자 임베딩 혁신

초록

본 논문은 그래프 트랜스포머를 이용한 신경양자상태(NQS) 임퓨리티 솔버를 설계·벤치마크하고, 이를 고스트 가츠윌러 근사(gGA) 양자 임베딩 프레임워크에 적용한다. 오류 제어 메커니즘(E‑tol, P‑tol)을 도입해 반복적인 임베딩 루프의 수렴성을 확보했으며, Anderson Lattice Model에 대한 gGA 계산에서 정확대각화(ED)와 거의 일치하는 결과를 얻었다. 최종적으로 샘플링 비용이 병목임을 확인하고, 보다 효율적인 추론 기법의 필요성을 강조한다.

상세 분석

이 연구는 양자 임베딩(QE) 방법에서 핵심적인 병목인 임퓨리티 해석기를 신경양자상태(NQS)로 대체하는 새로운 접근법을 제시한다. 기존의 정확대각화(ED), 수치적 재귀군집(NRG), DMRG 등은 시스템 규모가 커질수록 급격히 복잡도가 상승하지만, NQS는 변분 원리와 변동 몬테카를로(VMC)를 결합해 파라미터 수가 상대적으로 적은 상태에서도 높은 정확도를 유지한다. 특히 저자들은 임퓨리티 해밀토니안의 임의 연결성을 처리하기 위해 그래프 트랜스포머 구조를 채택하였다. 각 궤도(노드)는 점유 비트스트링으로 초기화되고, 점유·위치 임베딩을 통해 고차원 벡터로 변환된 뒤, GA‑T(v2) 그래프 어텐션 레이어와 피드포워드 네트워크(FFN)를 반복적으로 적용한다. 이 설계는 전통적인 트랜스포머의 O(N³) 연산량을 피하면서도 전역 상호작용을 효과적으로 포착한다.

최적화 단계에서는 최근 제안된 MinSR 및 SPRING 알고리즘을 이용해 파라미터 업데이트의 안정성을 높이고, 에너지 분산 Var