열린 양자계의 구조 학습
Learning the structure of open quantum systems
본 논문에서는 $n$-큐비트 상수 국소(constant-local) 린드블라디안(Lindbladian)의 계수를 $\varepsilon$ 오차 이내로 학습하는 알고리즘을 설계하며, 이때 총 진화 시간(total evolution time)은 $O(g d^2 \log(n) / \varepsilon^2)$이다. 여기서 $g$는 단일 사이트 에너지이고 $d$는 상호작용 그래프의 (근사) 차수이다. 린드블라디안은 해밀토니안(Hamiltonian)이라는 특수한 경우에서는 나타나지 않는 새로운 난제들을 제시하지만, 본 알고리즘은 최신 해밀토니안 학습 알고리즘들이 달성한 요구 조건들을 모두 충족한다. (1) 시간 분해능이 $Θ(1/g)$에 불과한 비적응형(non-adaptive)이자 보조 큐비트가 없는(ancilla-free) 무작위 파울리(Pauli) 측정 회로를 사용하고, (2) 미지의 린드블라디안 구조에 대한 사전 지식 없이도 작동하며, (3) 매끄러운 형태의 차수에 의존하므로 준국소(quasi-local) 및 멱법칙(power-law) 린드블라디안의 학습을 지원한다. 나아가, 본 알고리즘이 로그 인수를 제외하면 각 매개변수에서 최적임을 보이는 하한(lower bound)을 증명한다. 본 알고리즘은 단순한 반복적 방법(iterative method)으로, 목적 함수는 소수 사이트 영역으로 제한된 린드블라디안의 푸리에 계수로 구성된다. 이에 대한 분석을 통해 열린 시스템(open system)에 고유한 어려움인 이른바 "혼란(confusing)" 항들을 규명한다. 이러한 "혼란"이 제한적인 환경에서는 알고리즘의 성능이 향상된다. 실시간 진화에 접근 가능한 환경에서 해밀토니안의 구조를 학습하는 경우를 통해 이를 입증하며, 기존 연구보다 훨씬 단순한 새로운 알고리즘을 도출한다. 아울러 동일한 반복적 방법을 사용하여 고온 깁스 상태(Gibbs state)로부터 해밀토니안의 구조를 학습하는 최초의 효율적인 알고리즘을 설계한다.