초전도 양자 프로세서에서 높은 충실도의 CZ 게이트는 필수적이지만, 플럭스 라인 왜곡으로 인해 보정된 게이트 펄스를 재사용하기 어렵습니다. 기존의 연속적인 사전 왜곡 방식은 정확한 라인 모델과 초기화가 전제되어야 합니다. 이 연구는 불확실한 초기 라인 상태에 대한 민감도를 줄이고 고정된 게이트 국소적 사전 왜곡 CZ 펄스의 신뢰성 있는 재사용을 위해 플럭스 라인 왜곡을 양자 시스템에 결합된 상태 저장 고전적 액추에이터의 동역학으로 모델링합니다.
초기 플럭스 라인 상태 변화로 인한 오류 발생기를 1차 다이슨 전개를 통해 도출하고, 이 오류 발생기를 억제하며 게이트 종료 시 잔류 플럭스 라인 상태를 최소화하도록 플럭스 펄스를 최적화하여 강건한 CZ 게이트를 설계했습니다. 이는 연속적인 보상 없이 고정된 게이트 국소적 사전 왜곡 CZ 펄스를 재사용 가능하게 합니다.
단극 플럭스 라인 모델에서 최적화된 CZ 펄스는 예상되는 1차 강건성 평탄 영역을 보였고, 10회 연속 게이트에서 제로 초기화된 연속 사전 왜곡보다 더 넓은 초기 상태 범위에서 높은 충실도를 유지했습니다. 보다 실용적인 3극 모델에서는 폐쇄계 시뮬레이션에서 평균 충실도 99.998%를 달성하며 모든 1차 오류 발생기를 억제하고 잔류 플럭스를 거의 0으로 만들었습니다.
게이트 간 추가 대기 없이 고정된 게이트 국소적 사전 왜곡 펄스를 재사용했을 때, 10회 게이트에 걸쳐 평균 충실도 99.97%를 달성했으며, 동일한 사전 왜곡 방법의 기준선 대비 비충실도를 약 2.3x10^3배 감소시켰습니다. 이 결과는 플럭스 라인 메모리를 명시적으로 고려함으로써 반복적인 게이트 시퀀스에서 고정된 게이트 국소적 사전 왜곡 CZ 펄스의 고충실도 재사용이 가능함을 보여줍니다.
양자 상태 준비(Quantum State Preparation)는 양자 컴퓨팅의 핵심 요소로, 특정 함수에 의해 진폭이 결정되는 양자 상태를 효율적으로 생성하는 것이 중요합니다. 기존 방식들은 수작업으로 설계된 가역 산술 회로나 양자 테이블 조회(quantum table reads)를 통해 함수 값을 인코딩해야 하는 복잡성과 한계를 가졌습니다.
본 연구는 이러한 한계를 극복하기 위한 다목적 양자 상태 준비 방법을 제안합니다. 이 방법은 사인(sine) 함수의 저비용 블록 인코딩을 원하는 함수로 변환하기 위해 템플릿 양자 고유값 변환 회로를 활용합니다. 이를 통해 함수 값 인코딩에 필요한 복잡한 수작업 회로 설계가 불필요해집니다.
제안된 방법은 단 4개의 보조 큐비트(근사 다항식의 패리티가 명확할 경우 3개)만을 사용합니다. 이는 최신 기술 대비 큐비트 수를 획기적으로 줄이는 결과입니다. 함수가 다항식 또는 푸리에 근사로 잘 표현될 수 있다면, 게이트 수는 기존 방법과 유사한 수준을 유지합니다.
가우시안 상태 및 카이저 윈도우 상태 준비를 포함한 다양한 알고리즘적 유용성을 입증했습니다. 이 방법은 양자 알고리즘의 효율성을 크게 향상시키고, 더 복잡한 양자 상태를 적은 자원으로 준비할 수 있는 길을 열어줄 것입니다.
이 연구는 아벨 위상 질서(Abelian topological order)를 가진 양자 상태와 양자 정보 보호 능력에 대한 디코히어런스(decoherence)의 영향을 설명하는 효과적인 장 이론을 제시한다. 디코히어런스는 손상되지 않은 순수 밀도 행렬을 기술하는 이중 위상 양자장 이론(double topological quantum field theory)에서 시간적 결함으로 나타나며, 임계 결합 강도에서 애니온 응축(anyon condensation)을 포함하는 경계 상전이를 유도한다.
디코히어런스로 유도되는 상(phase)과 양자 정보 손실은 이중 위상 질서의 라그랑주 부분군(Lagrangian subgroups)으로 분류된다. 본 프레임워크는 특정 안정자 코드(stabilizer codes)에 대해 이전에 도출된 오류 복구 전이(error recovery transitions)를 일반적인 위상 질서 상태로 확장한다.
이는 혼합 상태를 특징짓는 고유 위상 질서의 상전이에서 비롯됨을 보여준다. 이 접근 방식은 디코히어런스가 양자 정보 보호에 미치는 영향을 이해하고, 위상 양자 컴퓨팅의 견고성을 향상시키는 데 중요한 기반을 제공한다.
양자 컨볼루션 신경망(QCNN)은 양자 머신러닝(QML) 분야에서 유망한 모델로 주목받고 있습니다. 본 연구는 가장 널리 사용되는 QCNN 변형들을 분석하며, 이들의 경험적 성공이 두 가지 요인에 기인함을 밝힙니다. 첫째, 무작위 초기화 시 QCNN은 입력 상태의 낮은 차원 측정 정보만을 처리합니다. 둘째, QCNN이 벤치마킹되는 데이터셋은 이러한 낮은 차원 관측값으로도 분류 가능한 '국소적으로 쉬운' 특성을 가집니다.
이러한 통찰을 바탕으로, QCNN의 동작은 낮은 차원 부분 공간에서 효율적으로 고전적으로 시뮬레이션될 수 있다고 주장합니다. 이를 실증하기 위해, 낮은 차원 파울리 전파, 텐서 네트워크, 고전적 섀도우를 기반으로 하는 순수 고전적 QCNN 대리 모델을 구축하고 훈련했습니다.
개발된 고전적 대리 모델은 모든 벤치마크 데이터셋과 최대 1024 큐비트 환경에서 표준 QCNN과 동등하거나 더 우수한 성능을 보였습니다. 이는 QCNN의 시뮬레이션 가능성 주장을 경험적으로 입증하는 결과입니다. 본 연구는 QML 모델의 경험적 성공이 단순히 쉬운 문제에 대한 벤치마킹 때문일 수 있다는 QML의 근본적인 문제점을 시사합니다.
결론적으로, 비자명한 데이터셋이 QML 발전을 위한 필수 요소임을 강조하며, 본 연구 결과가 다른 양자 아키텍처의 고전적 시뮬레이션으로 확장될 수 있는 방안을 논의합니다.
