[논문 리뷰] Predicting Features of Quantum Systems from Very Few Measurements

Hsin-Yuan Huang, Richard Kueng|arXiv (Cornell University)|2019. 08. 23.

Quantum Computing Algorithms and Architecture참고 문헌 53인용 수 8

한 줄 요약

이 논문은 양자 상태의 압축되고 효율적인 고전적 표현인 고전적 그림자(classical shadows)를 소개한다. 이는 시스템 크기와 무관하게 오직 O(log M)회의 측정만으로도 기댓값, fidelity 등 많은 수의 선형 특징을 정확하게 예측할 수 있도록 한다. 이 방법은 증명 가능한 최적의 스케일링을 달성하며, 정보 이론적 하한선을 충족시키며, 162 큐비트까지의 수치 시뮬레이션에서 기존 방법들을 능가한다.

ABSTRACT

Predicting features of complex, large-scale quantum systems is essential to the characterization and engineering of quantum architectures. We present an efficient approach for constructing an approximate classical description, called the classical shadow, of a quantum system from very few quantum measurements that can later be used to predict a large collection of features. This approach is guaranteed to accurately predict M linear functions with bounded Hilbert-Schmidt norm from only order of log(M) measurements. This is completely independent of the system size and saturates fundamental lower bounds from information theory. We support our theoretical findings with numerical experiments over a wide range of problem sizes (2 to 162 qubits). These highlight advantages compared to existing machine learning approaches.

연구 동기 및 목표

• 큰 양자 시스템의 다수 특징을 최소한의 측정 수로 예측할 수 있는 방법을 개발하는 것.
• 고차원 시스템에서 전체 양자 상태 톰그래피의 지수적 자원 요구량을 극복하는 것.
• 압축된 고전적 표현을 사용하여 특징 예측 정확도에 대한 엄밀한 이론적 보장을 제공하는 것.
• 수치 실험을 통해 기존의 머신러닝 및 톰그래피 기법들에 비해 실용적 이점을 입증하는 것.
• 정보 이론적 하한선을 통한 측정 효율성의 기본 한계를 설정하는 것.

제안 방법

• 방법은 양자 상태의 독립적인 복제본에 대해 무작위 클리포드 측정을 수행하여 고전적 그림자—양자 상태의 고전적 기술—를 구성한다.
• 각 측정 결과는 랭크-일치 프로젝터로 변환되어 상태의 고전적 스냅샷을 형성한다.
• 고전적 그림자는 이러한 프로젝터들의 집합으로 저장되며, 중앙값-평균 프로토콜을 통해 선형 함수형의 효율적 계산이 가능하다.
• 이론적 분석에 따르면, M개의 선형 특징을 Hilbert-Schmidt 노름이 유계인 상태에서 예측하기 위해 O(B log M / ε²)회의 측정이 충분하며, 여기서 B = max_i tr(O_i²)이다.
• 효율적인 고전적 시뮬레이션과 측정 구현을 위해 안정자 형식(stabilizer formalism)을 활용한다.
• 2에서 162 큐비트까지의 시스템에서 수치 시뮬레이션을 통해 성능을 검증하였으며, 토릭 코드와 GHZ-유형 상태를 포함한다.

실험 결과

연구 질문

• RQ1 소수의 양자 측정으로 기하급수적으로 많은 수의 양자 상태 선형 특징을 정확하게 예측할 수 있는가?
• RQ2 전체 톰그래피 없이도 다양한 관측량을 효율적으로 예측할 수 있는 양자 상태의 고전적 표현을 구성할 수 있는가?
• RQ3 정확한 특징 예측을 위해 필요한 측정 수의 기본 하한선은 무엇이며, 이를 충족시킬 수 있는가?
• RQ4 정확도와 확장성 측면에서 고전적 그림자 방법은 신경망 기반 접근법과 어떻게 비교되는가?
• RQ5 학습 오차 문제(LWE)와 관련된 계산적으로 어려운 양자 상태들—예를 들어, LWE와 관련된 상태들—에도 이 방법을 적용할 수 있으며, 그 한계는 무엇인가?

주요 결과

• 고전적 그림자 방법은 시스템 크기와 무관하게 오직 O(log M)회의 측정만으로도 M개의 선형 특징을 정확하게 예측하며, 정보 이론적 하한선을 충족시킨다.
• 관측량의 최대 노름이 B일 때, O(B log M / ε²)회의 측정으로 Hilbert-Schmidt 노름이 유계인 특징의 고정밀도 예측이 보장된다.
• 2에서 162 큐비트까지의 시스템에서 수행된 수치 실험 결과, 고전적 그림자는 유리한 스케일링을 보이며, 신경망 기반 톰그래피에 비해 예측 정확도와 효율성에서 뛰어나다.
• 특히 토릭 코드나 GHZ-유형 상태와 같은 상태에서는 기존의 학습 방법이 계산적 난이도 가정으로 인해 어려움을 겪는 데 비해, 이 방법은 매우 효과적이다.
• 학습 오차 문제(LWE)를 해결하는 데 있어 획기적인 성과를 이끌어내는 것으로 알려져 있으며, 노이즈가 있는 GHZ 상태와 같은 특정 양자 상태를 측정 데이터로부터 학습하는 것은 LWE 문제를 해결하는 것을 의미함을 입증하였다.
• 고전적 그림자 프레임워크를 통해 3 큐비트 시스템에서 모든 얽힘 증거(entanglement witnesses)를 매우 적은 수의 측정 반복으로 높은 정확도로 동시에 예측할 수 있다.