양자 상태 단층 촬영: 밀도 행렬의 실험적 재구성

개념 소개

양자 역학의 근본적 제약으로 인해, 단일 복사본(single copy)의 양자 상태에서 완전한 정보를 추출하는 것은 불가능하다. 측정 자체가 상태를 비가역적으로 붕괴(collapse)시키기 때문이다. 양자 상태 단층 촬영은 이 한계를 우회하기 위해 동일한 상태 준비 절차를 반복하고, 각 복사본에 서로 다른 측정 기저를 적용해 통계적으로 밀도 행렬 $\rho$를 추정한다.

고전 CT 스캐너가 서로 다른 방향의 X선 투영 영상을 역투영(back-projection)하여 3차원 구조를 복원하듯, QST는 연산자 공간의 서로 다른 '방향'(측정 기저)에서의 기댓값을 모아 $\rho$를 재구성한다.

---

핵심 원리

밀도 행렬과 자유도

$n$-큐비트 시스템의 밀도 행렬 $\rho$는 다음 조건을 만족하는 $2^n\times 2^n$ 행렬이다.

$$\rho ={\rho }^{†},\rho \ge 0,\text{Tr}(\rho )=1$$

실수 자유도는 $4^n-1$개다. 단일 큐비트는 Pauli 연산자 기저 $\{I,X,Y,Z\}$로 다음과 같이 분해된다.

$$\rho =\frac{1}{2}(I+r_{x}X+r_{y}Y+r_{z}Z)$$

여기서 $\mathbf{r}=(r_x,r_y,r_z)$는 블로흐 벡터이며, 순수 상태일 때 $|\mathbf{r}|=1$, 혼합 상태일 때 $|\mathbf{r}|<1$이다.

Born 법칙과 측정 행렬

관측량 $M_k$의 기댓값은 Born 법칙에 의해 결정된다.

$$p_k=\text{Tr}(M_k\rho )$$

측정 연산자 집합 $\{M_k\}$이 연산자 공간을 완전히 펼치는(informationally complete) 경우, 선형 연립방정식

$${\hat{p}}_k=\text{Tr}(M_k\rho ),{\hat{p}}_k=\frac{n_k}{N}$$

을 역변환하여 $\rho$를 복원할 수 있다. 단일 큐비트의 경우 최소 기저 집합은 $X$, $Y$, $Z$ 방향 측정이다.

직접 역변환 (Direct Inversion)

Pauli 기저에서 기댓값을 직접 측정하면

$$r_{\alpha }=\text{Tr}({\sigma }_{\alpha }\rho ),\alpha \in \{x,y,z\}$$

를 통해 블로흐 벡터를 즉시 추정한다. 계산이 단순하지만, 유한 샘플 노이즈로 인해 재구성된 $\hat{\rho }$가 양의 반정부호(PSD) 조건을 위반할 수 있다는 치명적 단점이 있다.

최대 가능도 추정 (MLE)

MLE는 관측 데이터 $\{n_k\}$가 얻어질 확률을 최대화하는 $\rho$를 탐색한다.

$${\hat{\rho }}_{\text{MLE}}=\arg \underset{\begin{array}{c}\rho \ge 0\\ \text{Tr}\rho =1\end{array}}{\max }\mathcal{L}(\rho ;\{n_k\})$$

다항 분포 가정 하에 로그 가능도는

$$\ln \mathcal{L}=\sum _k{n}_k\ln \text{Tr}(M_k\rho )$$

이며, $R\rho R$ 형태의 반복 알고리즘이나 볼록 최적화(convex optimization)로 풀 수 있다. MLE는 물리적으로 유효한 밀도 행렬을 항상 보장한다.

베이즈 추정

$\rho$에 대한 사전 분포 $\pi (\rho )$를 Hilbert-Schmidt 균등 분포 등으로 설정하고, 측정 결과를 관찰할 때마다 사후 분포를 갱신한다. 유한 샘플에서의 불확실성 정량화에 유리하나 계산 비용이 크다.

---

예시·응용

단일 큐비트 단층 촬영

참 상태가 ${\rho }_{\text{true}}$로 주어졌을 때, 세 측정 기저에서의 기댓값으로 블로흐 벡터를 추정하는 코드는 다음과 같다.

import numpy as np

# Pauli 행렬 정의
I = np.eye(2)
X = np.array([[0,1],[1,0]])
Y = np.array([[0,-1j],[1j,0]])
Z = np.array([[1,0],[0,-1]])

def bloch_to_dm(r):
    """블로흐 벡터 r=(rx, ry, rz)로부터 밀도 행렬 반환"""
    return 0.5 * (I + r[0]*X + r[1]*Y + r[2]*Z)

# 참 상태 설정
r_true = np.array([0.6, 0.0, 0.8])
rho_true = bloch_to_dm(r_true)

# 이상적 측정 (노이즈 없음)
rx = np.real(np.trace(X @ rho_true))
ry = np.real(np.trace(Y @ rho_true))
rz = np.real(np.trace(Z @ rho_true))

r_est = np.array([rx, ry, rz])
rho_est = bloch_to_dm(r_est)

# 충실도 계산 (순수 상태 간 단순화 버전)
fidelity = np.real(np.trace(rho_true @ rho_est))
print(f"추정 블로흐 벡터: {r_est}")
print(f"충실도(Tr): {fidelity:.4f}")

다중 큐비트 확장과 지수적 비용

$n$개 큐비트 시스템에는 $4^n$가지 Pauli 문자열 ${\sigma }_{{\alpha }_1}\otimes \cdots \otimes {\sigma }_{{\alpha }_n}$ 각각의 기댓값이 필요하다. 10큐비트만 되어도 $\sim 10^6$개의 측정 설정이 요구되어 실용적 한계에 도달한다.

이를 극복하기 위한 방법론으로:

• 압축 감지 기반 QST: 저계수(low-rank) 밀도 행렬 가정으로 측정 수를 $O(r\cdot 4^n/\sqrt{4^n})$ 수준으로 감소
• 신경망 기반 QST: 제한된 볼츠만 기계(RBM) 등으로 파동함수의 구조를 학습
• 섀도 단층 촬영(Classical Shadow): 랜덤 단일 변환과 측정을 통해 $O(\log 4^n)$개의 복사본으로 다수의 관측량 추정

충실도와 응용

재구성된 $\hat{\rho }$와 목표 상태 ${\rho }_{\text{target}}$ 사이의 양자 충실도는

$$F(\rho ,\hat{\rho })={\left(\text{Tr}\sqrt{\sqrt{\rho }\hat{\rho }\sqrt{\rho }}\right)}^2$$

로 정의되며 $0\le F\le 1$이다. 양자 컴퓨터 게이트의 성능 검증, 양자 통신 채널의 충실도 평가, 양자 오류 정정 코드의 논리 큐비트 품질 진단 등에 표준적으로 활용된다.

---

정리

양자 상태 단층 촬영은 $4^n-1$개의 실수 매개변수를 갖는 밀도 행렬을 다양한 측정 기저의 통계로부터 추정하는 과정이다. 직접 역변환은 계산이 간단하나 물리적 유효성을 보장하지 못하고, MLE는 수치 최적화 비용이 크지만 항상 유효한 밀도 행렬을 반환한다. 큐비트 수 증가에 따른 지수적 자원 요구가 실용적 병목이며, 압축 감지·섀도 단층 촬영·신경망 방법론이 이를 완화하는 최전선 연구로 자리 잡고 있다.