개념 소개
VQE는 위상 추정 알고리즘(QPE)의 현실적 대안으로 제안된 양자-고전 하이브리드 방식이다. QPE는 기저 상태 에너지를 다항식 오차 이내로 구할 수 있지만, 매우 깊은 회로와 수천 개의 보조 큐비트를 요구하여 현재 하드웨어에서 실행이 불가능하다. VQE는 얕은 파라미터화 회로에서 기댓값을 측정하고, 그 결과를 고전 컴퓨터에서 최적화하는 루프를 반복함으로써 회로 깊이 요건을 대폭 낮춘다.
핵심 원리
변분 원리
리츠(Ritz) 변분 원리에 따르면, 임의의 정규화된 상태 에 대해 다음 부등식이 성립한다.
는 해밀토니안 의 최솟값 고유값(기저 상태 에너지)이다. 파라미터 를 변화시켜 를 최소화하면 로 수렴하는 상한을 얻는다.
안사츠(Ansatz)
파라미터화된 유니터리 를 참조 상태 에 적용하여 시도 상태를 생성한다.
안사츠 설계는 VQE 정확도와 회로 비용 사이의 균형을 결정한다.
| 유형 | 특징 |
|---|---|
| UCCSD | 양자 화학적으로 동기 부여; 회로 깊이가 깊음 |
| Hardware-efficient | 하드웨어 토폴로지 맞춤; 얕은 깊이 |
| ADAPT-VQE | 필요한 연산자만 순차적으로 추가 |
해밀토니안의 파울리 분해
분자 해밀토니안은 파울리 연산자 텐서곱의 선형 결합으로 표현된다.
각 항 은 적절한 기저 변환 후 측정으로 추정하며, 에너지는 가중합으로 계산된다.
최적화 루프와 파라미터 이동 규칙
고전 최적화기로 COBYLA, SPSA, L-BFGS-B 등이 사용된다. 기울기가 필요한 경우, 파라미터 이동 규칙을 사용하면 양자 회로 상에서 해석적 기울기를 직접 계산할 수 있다.
유한 차분법과 달리 작은 선택에 의한 수치 오차가 없고, 노이즈가 있는 하드웨어에서도 동일하게 적용된다.
예시·응용
H₂ 분자의 기저 상태 에너지
수소 분자는 STO-3G 기저 함수와 Bravyi-Kitaev 변환 후 대칭 축소를 거치면 2큐비트 문제로 환원된다. 아래는 Qiskit 기반 구현 예시다.
from qiskit.circuit.library import TwoLocal
from qiskit.quantum_info import SparsePauliOp
from qiskit.primitives import StatevectorEstimator
from scipy.optimize import minimize
import numpy as np
# H₂ (STO-3G, 결합 거리 0.735 Å) 간략 해밀토니안
hamiltonian = SparsePauliOp.from_list([
("II", -1.0523732),
("ZI", +0.3979374),
("IZ", -0.3979374),
("ZZ", -0.0112801),
("XX", +0.1809312),
])
# Hardware-efficient 안사츠 (2큐비트, reps=1)
ansatz = TwoLocal(2, ["ry", "rz"], "cx", reps=1)
estimator = StatevectorEstimator()
def cost_fn(params):
pub = (ansatz, hamiltonian, [params])
return estimator.run([pub]).result()[0].data.evs[0].real
theta_init = np.random.uniform(-np.pi, np.pi, ansatz.num_parameters)
result = minimize(cost_fn, theta_init, method="COBYLA",
options={"maxiter": 500})
print(f"VQE 기저 에너지: {result.fun:.6f} Ha")
# 참값(FCI): -1.137270 Ha
수렴된 값은 완전 구성 상호작용(FCI) 참값 에 근접하며, 화학적 정밀도(chemical accuracy, ) 달성 여부가 실용적 기준이다.
주요 응용 분야
- 양자 화학: 퍼텐셜 에너지 곡면(PES), 반응 장벽 계산
- 강상관 물질: 허바드 모델, 격자 게이지 이론
- 조합 최적화: MAX-CUT 문제를 이징 해밀토니안으로 변환 후 최솟값 탐색
정리
VQE는 리츠 변분 원리를 토대로 파라미터화된 양자 회로와 고전 최적화기를 결합한 하이브리드 알고리즘이다. 해밀토니안을 파울리 항으로 분해하고, 각 항의 기댓값을 양자 장치에서 측정한 뒤 고전 최적화로 파라미터를 갱신하는 루프를 반복한다. 안사츠의 표현력·얽힘 능력과 바렌 고원(Barren Plateau) 회피 전략이 VQE 성능을 결정하는 핵심 요인이다.
Exercises
연습문제
Q11큐비트 해밀토니안 $\hat{H} = 0.6Z + 0.8X$에 대해 안사츠 $|\psi(\theta)\rangle = R_Y(\theta)|0\rangle$을 사용한 VQE의 에너지 기댓값 $E(\theta)$를 구하고, 최적 파라미터 $\theta^*$와 최솟값 $E_{\min}$을 구하라.
힌트 보기
$\langle\psi(\theta)|Z|\psi(\theta)\rangle = \cos\theta$, $\langle\psi(\theta)|X|\psi(\theta)\rangle = \sin\theta$ 임을 이용하라.
해설 보기
$E(\theta) = 0.6\cos\theta + 0.8\sin\theta$. 극값 조건 $dE/d\theta = -0.6\sin\theta + 0.8\cos\theta = 0$으로부터 $\tan\theta^* = 4/3$이며, 최솟값은 $E_{\min} = -\sqrt{0.6^2 + 0.8^2} = -1$이다. 이 값은 해밀토니안의 정확한 최솟값 고유값과 일치하며, 단일 $R_Y$ 안사츠가 이 문제에서 완전한 표현력을 가짐을 보여 준다.
Q2바렌 고원(Barren Plateau) 현상이란 무엇이며, 이를 완화하기 위한 전략을 두 가지 서술하라.
해설 보기
바렌 고원은 무작위로 초기화된 깊은 파라미터화 회로에서 비용 함수의 기울기 분산이 큐비트 수 $n$에 대해 $O(2^{-n})$으로 지수적으로 감소하는 현상이다. 이로 인해 최적화기가 유효한 업데이트 방향을 찾지 못한다. 완화 전략으로는 ① 문제 구조를 반영한 얕은 안사츠(UCCSD, ADAPT-VQE 등)로 탐색 공간을 제한하는 방법과, ② 층별 순차 학습(layer-by-layer training)처럼 파라미터를 점진적으로 추가하여 전역 무작위성을 피하는 방법이 있다.
Q3파라미터 이동 규칙으로 $\partial E / \partial \theta_k$를 계산하는 절차를 서술하고, 유한 차분법 대비 장점을 설명하라.
해설 보기
$k$번째 파라미터만 $\pm\pi/2$씩 이동시킨 두 회로를 실행하여 $\frac{\partial E}{\partial \theta_k} = \frac{E(\theta_k + \pi/2) - E(\theta_k - \pi/2)}{2}$로 기울기를 계산한다. 이 규칙은 ① 해석적으로 정확하여 스텝 크기 $\epsilon$ 선택에 따른 수치 오차가 없고, ② 노이즈가 있는 실제 양자 하드웨어에서도 동일한 형식으로 적용 가능하며, ③ 각 파라미터당 단 두 번의 회로 실행만 요구한다는 장점이 있다.
관련 용어
