먼저 읽으면 좋은 용어
개념 소개
양자화학에서 분자의 기저 상태 에너지를 정확히 계산하는 것은 약물 설계, 재료 과학 등 여러 분야의 핵심 과제다. 고전 컴퓨터로 이를 정확히 계산하려면 힐베르트 공간의 차원이 전자 수에 따라 지수적으로 증가해 현실적 한계에 부딪힌다. VQE는 이 문제를 해결하기 위해 Peruzzo 등이 제안한 하이브리드 양자-고전 알고리즘이다.
핵심 아이디어는 **변분 원리(variational principle)**에 있다. 임의의 시험 상태 에 대해 해밀토니안 의 기대값은 항상 기저 상태 에너지 이상이다.
따라서 매개변수 를 조정해 비용 함수 를 최소화하면 에 수렴한다.
핵심 원리
1. 파라미터화 양자 회로 (Ansatz)
Ansatz는 파라미터 로 구성된 양자 회로로, 형태의 시험 상태를 생성한다.
- 화학적으로 영감받은 Ansatz: UCCSD(Unitary Coupled Cluster Singles and Doubles)는 양자화학 이론에 기반해 표현력이 높으나 회로 깊이가 깊다.
- 하드웨어 효율적 Ansatz (HEA): 단층 회전 게이트와 얽힘 게이트를 교번 배치해 회로 깊이를 줄인다. NISQ 장치에 적합하다.
2. 해밀토니안의 파울리 분해
양자 회로에서 의 기대값을 측정하려면 를 파울리 연산자의 텐서곱으로 분해해야 한다.
분해된 각 항의 기대값을 반복 측정으로 추정한 뒤 선형 결합해 를 구성한다.
3. 고전 최적화 루프와 파라미터-이동 규칙
측정으로 얻은 를 고전 최적화기(COBYLA, SPSA, Adam 등)에 전달해 를 갱신한다. 파울리 회전 게이트로 구성된 회로에서는 **파라미터-이동 규칙(parameter-shift rule)**으로 해석적 기울기를 계산할 수 있다.
이동 크기 는 파울리 연산자의 고유값이 인 스펙트럼 구조에서 직접 유도된다.
예시·응용
수소 분자() 기저 상태 에너지 계산
STO-3G 기저 함수와 Jordan-Wigner 변환을 적용하면 의 해밀토니안은 파울리 항의 선형 결합으로 표현된다. 아래는 Qiskit을 이용한 개념적 구현 예시다.
from qiskit.circuit import QuantumCircuit, Parameter
from qiskit.quantum_info import SparsePauliOp
import numpy as np
from scipy.optimize import minimize
# H2 해밀토니안 (단순화, 단위: 하트리)
H = SparsePauliOp.from_list([
("II", -1.0523732),
("ZI", +0.3979374),
("IZ", -0.3979374),
("ZZ", -0.0112801),
("XX", +0.1809270),
])
# 2큐비트 HEA Ansatz
theta = [Parameter(f"θ{i}") for i in range(4)]
qc = QuantumCircuit(2)
qc.ry(theta[0], 0); qc.ry(theta[1], 1)
qc.cx(0, 1)
qc.ry(theta[2], 0); qc.ry(theta[3], 1)
def cost(params):
bound = qc.assign_parameters(dict(zip(theta, params)))
# Estimator 프리미티브로 기대값 계산 (실제 구현 필요)
return estimate_expectation(bound, H)
result = minimize(cost, x0=np.zeros(4), method="COBYLA")
print(f"기저 상태 에너지 추정값: {result.fun:.6f} 하트리")
주요 응용 분야
- 양자화학: 분자 기저 상태 에너지, 반응 경로, 전자 구조 계산
- 재료 과학: 강상관 전자계 모델(허바드 모델) 시뮬레이션
- 조합 최적화: QUBO 문제를 이징 해밀토니안으로 변환 후 VQE 적용
정리
VQE는 변분 원리를 매개로 양자 회로와 고전 최적화기를 결합한 NISQ 시대의 핵심 알고리즘이다. Ansatz 설계, 파울리 분해, 파라미터-이동 규칙 기반 기울기 계산이 세 축을 이룬다. 그러나 바렌 고원(barren plateau) 문제와 샷 노이즈로 인한 수렴 속도 저하는 현재의 주요 연구 과제로 남아 있으며, 지역 비용 함수 설계나 층별 순차 학습 등의 완화 전략이 활발히 탐구되고 있다.
Exercises
연습문제
Q1파라미터 $\theta$로 제어되는 단일 큐비트 시험 상태 $|\psi(\theta)\rangle = \cos\theta\,|0\rangle + \sin\theta\,|1\rangle$가 해밀토니안 $H = \mathrm{diag}(-1,\, 1)$에 대해 비용 함수 $C(\theta)$를 최소화하는 $\theta$ 값과 최솟값을 구하시오.
힌트 보기
$C(\theta) = \langle\psi(\theta)|H|\psi(\theta)\rangle$을 전개한 뒤 $\theta$에 대해 미분해 최솟값 조건을 구한다.
해설 보기
$C(\theta) = -\cos^2\theta + \sin^2\theta = -\cos 2\theta$. 이를 최소화하려면 $\cos 2\theta = 1$이어야 하므로 $\theta = 0$이다. 이때 $C(0) = -1$로, 실제 기저 상태 에너지 $E_0 = -1$과 일치한다. 변분 원리의 등호 조건이 달성된 예시다.
Q2파라미터-이동 규칙에서 이동 크기가 $\pi/2$인 이유를 파울리 회전 게이트 $R_k(\theta) = e^{-i\theta \hat{P}_k/2}$의 고유값 구조로 설명하시오.
해설 보기
파울리 연산자 $\hat{P}_k$의 고유값은 $\pm 1$이므로 생성자(generator)의 고유값 간격은 $r = 1$이다. 파라미터-이동 규칙의 일반형에서 이동 크기는 $s = \pi/(2 \cdot 2r) \cdot 2 = \pi/2$로 결정된다. 즉, 이동 크기 $\pi/2$는 회로 내 파울리 회전 게이트의 스펙트럼 구조에서 직접 유도된다.
Q3바렌 고원(barren plateau) 현상이 발생하는 원인을 설명하고, 이를 완화하기 위한 전략 두 가지를 제시하시오.
해설 보기
큐비트 수와 회로 깊이가 증가할수록 Ansatz가 생성하는 상태가 지수적으로 큰 힐베르트 공간을 거의 균일하게 탐색하게 되어, 비용 함수의 기울기 분산이 큐비트 수 $n$에 대해 $O(2^{-n})$으로 지수 감소한다. 완화 전략으로는 ① 전역 대신 **지역 비용 함수(local cost function)**를 설계해 기울기 신호가 $n$에 선형으로만 감소하도록 하는 방법, ② **층별 순차 학습(layer-by-layer training)**으로 Ansatz를 점진적으로 확장해 각 단계에서 기울기 소멸 없이 최적화하는 방법이 있다.
관련 용어
