[논문 리뷰] Learning to Detect Entanglement

Bingjie Wang|arXiv (Cornell University)|2017. 09. 11.

Quantum Information and Cryptography참고 문헌 11인용 수 3

한 줄 요약

이 논문은 기존 방법보다 더 효율적으로 양자 얽힘을 탐지하기 위해 랜덤 포레스트를 활용하는 숲 알고리즘을 소개한다. 양자 상태 매개변수의 확률 분포를 모델링하고 톰그래피 데이터에서 유도된 통계적 패턴을 활용함으로써, 얽힘 탐지에 필요한 측정 수를 줄이며, 특히 큐비트 수가 증가할수록 이전의 트리 알고리즘을 능가한다.

ABSTRACT

Classifying states as entangled or separable is a fundamental, but expensive task. This paper presents a method, the forest algorithm, to improve the amount of resources needed to detect entanglement. Starting from 'optimized' methods for using geometric criterion to detect entanglement, specific steps are replaced with machine learning models. Tests using numerical simulations indicate that the model is able to declare a state as entangled in fewer steps compared to existing methods. This improvement is achieved without affecting the correctness of the original algorithm.

연구 동기 및 목표

• 다중 큐비트 시스템에서 특히 과도한 측정이 요구되는 기존 얽힘 탐지 방법의 비효율성을 해결하기 위해.
• 상관관계 보완성에 기반한 히우리스틱 결정 트리에 기반한 트리 알고리즘을 개선하기 위해 기계 학습을 통합하여 더 나은 통계적 패턴 인식을 달성하기 위해.
• 기계 학습이 실제 및 시뮬레이션 실험 데이터를 사용하여 양자 상태 분석, 특히 얽힘 탐지에서 성능 향상에 기여할 수 있음을 보여주기 위해.
• 학습된 모델이 분석적 히우리스틱보다 측정 오버헤드를 최소화하는 데 더 뛰어나게 작동할 수 있는지 탐색하기 위해.
• 실험적으로 접근 가능한 양자 상태를 사용하여 2~5 큐비트의 다양한 큐비트 수에서 방법의 성능을 검증하기 위해.

제안 방법

• 숲 알고리즘은 양자 상태 톰그래피와 트리 알고리즘의 원리를 융합하며, 상태 매개변수의 분포를 모델링하기 위해 베이지안 매개변수 추정을 사용한다.
• 이전 측정 결과를 바탕으로 다음 측정할 관측량을 예측하기 위해 시뮬레이션 및 실험 데이터로 훈련된 랜덤 포레스트 분류기를 사용한다.
• 알고리즘은 얽힘 탐지에 기하학적 기준을 사용한다: 비항등 파울리 연산자의 기대값의 제곱합이 1를 초과하면 상태는 얽힘을 띈다.
• 검색 공간을 제약하기 위해 상관관계 보완성을 적용하여 반대칭 관계로 인해 기여 가능성이 낮은 관측량을 회피한다.
• 실제 실험적 상태 준비를 반영하기 위해 포isson 분포를 따르는 게이트 수를 가진 랜덤 회로를 통해 생성된 양자 상태 분포를 기반으로 모델을 훈련시킨다.
• 성능 평가는 숲, 트리, 간단한 톰그래피 알고리즘 간의 얽힘 탐지에 필요한 측정 수를 비교하여 평가한다.

실험 결과

연구 질문

• RQ1 기계 학습 모델은 분석적 히우리스틱보다 얽힘 탐지에 필요한 측정 수를 줄일 수 있는가?
• RQ2 큐비트 수가 증가함에 따라 숲 알고리즘의 성능은 트리 알고리즘 대비 어떻게 변화하는가?
• RQ3 실제 상태 분포로 훈련하면 얽힘 탐지에서 일반화 능력과 측정 효율성이 향상되는가?
• RQ4 숲 알고리즘은 양자 상태 매개변수의 통계적 패턴을 효과적으로 활용하여 측정 선택을 안내할 수 있는가?
• RQ5 제한된 데이터로 얽힌 상태를 식별하는 데 있어 숲 알고리즘은 전통적 톰그래피나 히우리스틱 접근보다 더 강건한가?

주요 결과

• 동일한 실험 조건에서 이중 큐비트 상태에서는 숲 알고리즘이 트리 알고리즘 대비 측정 효율성에서 3% 향상되었고, 오차 큐비트 상태에서는 20% 향상되었다.
• 이중 큐비트 시스템에서는 숲 알고리즘과 트리 알고리즘이 거의 동일한 성능를 보였지만, 큐비트 수가 증가할수록 숲 알고리즘의 우월성이 뚜렷하게 증가하였다.
• 랜덤 양자 회로를 통해 포isson 분포를 따르는 게이트 수로 생성된 실험적으로 접근 가능한 상태에서 더 높은 탐지 효율성을 달성하였다.
• 숲 알고리즘과 트리 알고리즘 간의 성능 격차는 기계 학습이 분석적 히우리스틱보다 측정 데이터의 복잡한 통계적 패턴을 더 효과적으로 활용할 수 있음을 시사한다.
• 숲 알고리즘은 최적의 측정 순서를 학습함으로써 필요한 측정 수를 줄여, 얽힘 탐지에서 더 높은 적응성과 효율성을 보였다.
• 결과는 숲 알고리즘이 복잡한 매개변수 분포를 직접 모델링할 수 있는 능력 덕분에 모든 큐비트 수에서 트리 알고리즘에 비해 일반적인 개선을 이룬다는 추측을 지지한다.