양자 상태 단층 촬영: 밀도 행렬의 완전한 재구성

개념 소개

양자역학에서 계의 상태는 순수 상태(pure state)라면 상태 벡터 $|\psi ⟩$로, 일반적으로는 밀도 행렬(density matrix) $\rho$로 기술된다. 밀도 행렬은 다음 세 조건을 만족하는 연산자다.

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

그러나 실험 장치는 오직 측정값의 확률 분포만 출력한다. 동일한 상태를 반복 준비·측정하여 그 통계로부터 $\rho$를 역산하는 과정이 바로 양자 상태 단층 촬영이다. 이름이 시사하듯, X선 CT가 여러 각도의 투영 영상으로 3차원 구조를 복원하듯, QST는 여러 기저의 측정 결과로 양자 상태의 "단면"을 쌓아 전체를 복원한다.

---

핵심 원리

파울리 분해와 블로흐 벡터

$n$-큐비트 밀도 행렬은 $2^n\times 2^n$ 에르미트 행렬이므로, 파울리 행렬의 텐서곱 $\{{\sigma }_0,{\sigma }_x,{\sigma }_y,{\sigma }_z{\}}^{\otimes n}$ 으로 전개할 수 있다.

단일 큐비트의 경우:

$$\rho =\frac{1}{2}(I+r_x{\sigma }_x+r_y{\sigma }_y+r_z{\sigma }_z)$$

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

각 성분은 기댓값으로 직접 읽힌다.

$$r_k=⟨{\sigma }_k⟩=\mathrm{Tr}({\sigma }_k\rho )$$

따라서 $X$, $Y$, $Z$ 기저 각각에서 측정 확률을 수집하면 블로흐 벡터 전체를 결정할 수 있다.

일반 $n$-큐비트 단층 촬영

$n$ 큐비트 계를 완전히 기술하려면 $4^n-1$개의 실수 매개변수가 필요하다. 측정 연산자 집합 $\{M_j\}$에 대해 이론적 확률과 측정 빈도 사이의 선형 관계는 다음과 같이 쓸 수 있다.

$$p_j=\mathrm{Tr}(M_j\rho )$$

이를 행렬-벡터 형식으로 표현하면:

$$\mathbf{p}=A\mathrm{vec}(\rho )$$

$A$는 측정 연산자들로 구성된 토모그래피 행렬이다. 이 연립방정식을 역산하는 가장 단순한 방법이 **선형 역산(linear inversion)**이지만, 통계 잡음으로 인해 $\rho \ge 0$ 조건을 위반할 수 있다.

최대 우도 추정 (MLE)

물리적으로 유효한 밀도 행렬을 보장하기 위해 최대 우도 추정을 사용한다. 측정 데이터 $\{n_j\}$ (빈도)가 주어질 때, 로그 우도는:

$$\mathcal{L}(\rho )=\sum _j{n}_j\ln \mathrm{Tr}(M_j\rho )$$

이를 $\rho \ge 0$, $\mathrm{Tr}(\rho )=1$ 제약하에 최대화한다. 흔히 $\rho =T^{†}T/\mathrm{Tr}(T^{†}T)$ 꼴의 Cholesky 파라미터화를 통해 양반정치(positive semidefinite) 조건을 자동으로 만족시킨다.

---

예시·응용

단일 큐비트 MLE 예시 (Python)

import numpy as np
from scipy.optimize import minimize

# 파울리 행렬
I  = np.eye(2, dtype=complex)
sx = np.array([[0,1],[1,0]], dtype=complex)
sy = np.array([[0,-1j],[1j,0]], dtype=complex)
sz = np.array([[1,0],[0,-1]], dtype=complex)

def cholesky_to_rho(t):
    """Cholesky 파라미터 t(4개) → 밀도 행렬"""
    T = np.array([[t[0], 0],
                  [t[2]+1j*t[3], t[1]]], dtype=complex)
    rho = T.conj().T @ T
    return rho / np.trace(rho)

# 가상의 측정 데이터: [X+, X-, Y+, Y-, Z+, Z-]
# 각 기저에서 1000회 측정한 빈도
counts = np.array([600, 400,  510, 490,  850, 150])
N = 1000

# 측정 POVM 요소 (각 기저의 +/- 사영)
Mlist = [
    (I+sx)/2, (I-sx)/2,
    (I+sy)/2, (I-sy)/2,
    (I+sz)/2, (I-sz)/2,
]

def neg_log_likelihood(t):
    rho = cholesky_to_rho(t)
    probs = np.array([np.real(np.trace(M @ rho)) for M in Mlist])
    probs = np.clip(probs, 1e-10, 1)
    return -np.sum(counts * np.log(probs))

t0 = np.array([1.0, 1.0, 0.0, 0.0])
result = minimize(neg_log_likelihood, t0, method='Nelder-Mead')
rho_est = cholesky_to_rho(result.x)
print("추정 밀도 행렬:\n", np.round(rho_est, 3))

위 코드는 Z 방향으로 편향된 상태(Z+ 빈도 높음)를 측정 데이터로 사용하며, MLE를 통해 물리적으로 유효한 밀도 행렬을 복원한다.

주요 응용 분야

분야	역할
양자 컴퓨팅	게이트 출력 상태 검증
양자 통신	채널 노이즈 특성화
양자 센서	준비 오류 진단
양자 오류 정정	논리 큐비트 충실도 측정

큐비트 수가 늘면 필요한 측정 횟수가 $\mathcal{O}(4^n)$으로 지수 증가한다. 이를 해결하기 위해 압축 감지(compressed sensing) 기반 QST와 신경망 QST 등이 활발히 연구되고 있다.

---

정리

양자 상태 단층 촬영은 밀도 행렬을 구성하는 모든 자유도를 관측 가능량의 기댓값으로 표현하고, 측정 통계로부터 이를 역산하는 방법론이다. 선형 역산은 이론적으로 단순하지만 물리적 제약 위반 문제가 있으며, MLE 또는 볼록 최적화(semidefinite programming)를 통해 이를 극복한다. $n$이 커질수록 측정 자원이 지수 증가하므로, 저-랭크 가정이나 사전 구조 정보를 활용하는 효율적 QST 방법론의 개발이 현대 양자 정보 실험의 핵심 과제로 남아 있다.