[논문 리뷰] Unboxing Quantum Black Box Models: Learning Non-Markovian Dynamics

Stefan Krastanov, Kade Head-Marsden외 4명|arXiv (Cornell University)|2020. 09. 08.

Statistical Mechanics and Entropy인용 수 8

한 줄 요약

이 논문은 물리적 제약 조건—완전 양성성과 추적 보존성 등—을 신경망 아키텍처에 통합함으로써 비마르코프 양자 동역학을 학습하는 미분 가능 기계학습 프레임워크인 STEADY를 소개한다. 시간-결합 커널을 학습 가능한 방식으로 사용한 나카지마-츠완치 형식을 통해 기억 효과를 모델링함으로써, 편향된 초연성자 모델이나 블랙박스 학습에 의존하지 않고도 고정밀도, 해석 가능한 개방 양자 시스템 동역학 재구성에 성공한다.

ABSTRACT

Characterizing the memory properties of the environment has become critical for the high-fidelity control of qubits and other advanced quantum systems. However, current non-Markovian tomography techniques are either limited to discrete superoperators, or they employ machine learning methods, neither of which provide physical insight into the dynamics of the quantum system. To circumvent this limitation, we design learning architectures that explicitly encode physical constraints like the properties of completely-positive trace-preserving maps in a differential form. This method preserves the versatility of the machine learning approach without sacrificing the efficiency and fidelity of traditional parameter estimation methods. Our approach provides the physical interpretability that machine learning and opaque superoperators lack. Moreover, it is aware of the underlying continuous dynamics typically disregarded by superoperator-based tomography. This paradigm paves the way to noise-aware optimal quantum control and opens a path to exploiting the bath as a control and error mitigation resource.

연구 동기 및 목표

• 양자 시스템 동역학에 대한 블랙박스 기계학습 모델의 물리적 해석 가능성 부족 문제를 해결한다.
• 지속적인 시간 동역학을 忽시하고 마르코프 기억을 가정하는 전통적인 초연성자 기반 단층 측정의 한계를 극복한다.
• 딥 러닝의 표현력을 유지하면서도 완전 양성성과 추적 보존성과 같은 기본 양자역학적 제약 조건을 통합한 방법을 개발한다.
• 특히 느린 환경 자유도를 갖는 시스템에서 비마르코프 동역학의 정확한 재구성을 가능하게 한다.
• 실험 데이터로부터 시스템-환경 상호작용의 기억 커널을 학습함으로써 노이즈 인식 기반 양자 제어를 가능하게 한다.

제안 방법

• 비마르코프 효과를 시간-결합 기억 커널을 통해 기록하는 나카지마-츠완치(NZ) 방정식을 사용하여 동역학을 수식화한다.
• 기억 커널을 미분 가능한 신경망 아키텍처로 매개변수화하여 기울기 기반 최적화를 가능하게 한다.
• 완전 양성성과 추적 보존성 등의 물리적 제약 조건을 네트워크의 손실 함수와 매개변수화에 직접 통합한다.
• 예측된 상태 확률과 측정된 큐비트 상태 확률 간의 거리 척도를 최소화함으로써 실험 데이터를 사용해 모델을 훈련시킨다.
• 데이터 가용성에 따라 Eq. 10에 기반한 단일 샘플 약한 측정 또는 Eq. 11에 기반한 다중 시간에 걸친 반복 측정을 고려한 비용 함수를 사용한다.
• 자동 미분 및 최적화 도구(예: Adam, TensorFlow)를 활용하여 실제 양자 시스템 데이터에 대해 효율적으로 모델을 훈련시킨다.

실험 결과

연구 질문

• RQ1 편향된 초연성자 모델이나 투명한 신경망에 의존하지 않고도 개방 양자 시스템에서 비마르코프 동역학을 학습할 수 있는가?
• RQ2 완전 양성성과 추적 보존성 등의 물리적 제약 조건을 양자 동역학을 위한 미분 가능한 기계학습 모델에 어떻게 통합할 수 있는가?
• RQ3 나카지마-츠완치 형식을 통합할 경우, 표준 블랙박스 학습 대비 재구성 동역학의 정밀도와 해석 가능성은 어느 정도 향상되는가?
• RQ4 제한된 실험 데이터로부터 비마르코프 환경의 기억 커널을 미분 가능한 프레임워크를 사용해 정확하게 재구성할 수 있는가?
• RQ5 제안된 방법이 전통적인 매개변수 추정 또는 순수 딥 러닝 접근법에 비해 더 효율적이고 물리적으로 의미 있는 양자 제어를 가능하게 하는가?

주요 결과

• STEADY 프레임워크는 파라사이트 두 상태 시스템과 결합된 중심 스핀에서 비마르코프 동역학을 성공적으로 재구성하였으며, 린드블래디안 모델이 실패할 경우에도 높은 정밀도를 달성하였다.
• 모델 아키텍처에 물리적 제약 조건을 통합함으로써, 블랙박스 신경망의 높은 분산과 데이터 비효율성 문제를 피하면서도 표현력을 유지하였다.
• 나카지마-츠완치 방정식의 기억 커널을 정확히 학습할 수 있었으며, 이는 표준 초연성자 단층 측정이 포착하지 못하는 느린 환경 동역학을 기록할 수 있었다.
• 다수의 환경 스핀을 전부 시뮬레이션하는 대신, 학습 가능한 커널을 통해 단일 효과적 환경으로의 집합 효과를 모델링함으로써 계산 비용을 절감하였다.
• 단일 궤적 약한 측정 데이터와 반복 측정 시나리오 모두를 지원하며, 각 경우에 적합한 비용 함수를 적용하였다.
• 훈련된 모델은 기억 효과의 특성 시간 상수와 같은 시스템-환경 상호작용에 대한 물리적 통찰을 제공하여 노이즈 인식 제어 전략 수립에 기여하였다.