양자 상태 단층 촬영: 밀도 행렬의 완전 재구성

개념 소개

고전 시스템에서는 단일 측정으로 상태를 완전히 파악할 수 있지만, 양자계에서는 측정이 상태를 교란하고 하나의 측정이 전달하는 정보는 극히 제한된다. QST는 이 제약을 우회하기 위해 동일하게 준비된 앙상블에 대해 상호 보완적인 기저의 측정을 반복하여 밀도 행렬을 통계적으로 역산한다.

의학적 CT 촬영이 다양한 각도의 X선 투영 데이터를 합산해 3차원 구조를 복원하듯, QST도 서로 다른 '관측 각도(측정 기저)'에서의 투영 결과를 모아 양자 상태의 완전한 수학적 표현을 재구성한다.

---

핵심 원리

밀도 행렬과 자유도

$d$차원 힐베르트 공간의 양자 상태는 $d\times d$ 밀도 행렬 $\rho$로 기술된다. $\rho$는 다음 세 조건을 동시에 만족해야 한다.

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

에르미트성과 단위 대각합 조건으로 인해 독립 실수 매개변수의 수는 $d^2-1$개이다. $n$-큐비트 시스템에서는 $d=2^n$이므로 $4^n-1$개의 매개변수가 필요하며, 이는 큐비트 수에 따라 지수적으로 증가한다.

Pauli 기저 전개

단일 큐비트의 밀도 행렬은 Pauli 연산자 $\{I,{\sigma }_x,{\sigma }_y,{\sigma }_z\}$를 기저로 전개된다.

$$\rho =\frac{1}{2}\left(I+r_x{\sigma }_x+r_y{\sigma }_y+r_z{\sigma }_z\right),r_{\mu }=\mathrm{Tr}({\sigma }_{\mu }\rho )$$

각 블로흐 성분 $r_{\mu }$는 해당 Pauli 기저에서의 측정 기댓값으로 추정된다.

$${\hat{r}}_{\mu }=\frac{N_{+}-N_{-}}{N_{+}+N_{-}}$$

$N_{\pm }$는 측정 결과 $\pm 1$의 관측 횟수다. $n$-큐비트로 확장하면 측정 연산자는 텐서곱 ${\sigma }_{{\mu }_1}\otimes \cdots \otimes {\sigma }_{{\mu }_n}$이 되며, $4^n$개의 설정이 측정 기반을 이룬다.

재구성 방법

선형 역산(Linear Inversion) 은 측정 기댓값 벡터 $\mathbf{f}$와 매개변수 벡터 $\mathbf{r}$ 사이의 관계 $\mathbf{f}=M\mathbf{r}$를 최소 제곱법으로 풀어 $\hat{\mathbf{r}}=M^{+}\mathbf{f}$를 구한다. 그러나 통계 잡음으로 인해 복원된 행렬이 양의 반정치(positive semidefinite) 조건을 위반할 수 있다.

최대 우도 추정(MLE) 은 물리적 타당성을 보장하면서 측정 결과의 우도를 최대화하는 $\rho$를 구한다.

$${\hat{\rho }}_{\mathrm{MLE}}=\arg \underset{\begin{array}{c}\rho \ge 0\\ \mathrm{Tr}(\rho )=1\end{array}}{\max }\sum _k{n}_k\ln \mathrm{Tr}(E_k\rho )$$

여기서 $E_k$는 POVM 원소, $n_k$는 해당 결과의 관측 횟수다. 이 볼록 최적화 문제는 반정치 프로그래밍(SDP)이나 반복적 그래디언트 기법으로 수치 풀이된다.

---

예시·응용

단일 큐비트 단층 촬영 (Python 예시)

import numpy as np

I  = np.eye(2)
sx = np.array([[0, 1],  [1,  0]])
sy = np.array([[0,-1j], [1j, 0]])
sz = np.array([[1, 0],  [0, -1]])

def tomography_1qubit(cx, cy, cz):
    """cx = (N_+, N_-) for X-basis measurement, 동일 구조 반복."""
    def r(c): return (c[0] - c[1]) / (c[0] + c[1])
    rho = 0.5 * (I + r(cx)*sx + r(cy)*sy + r(cz)*sz)
    return rho

# |+⟩ ≈ 상태 시뮬레이션 (X: 편향, Y·Z: 균등)
rho_est = tomography_1qubit(
    cx=(490, 10),
    cy=(250, 250),
    cz=(252, 248)
)
print(np.round(rho_est, 3))
# [[0.5  0.48]
#  [0.48 0.5 ]]  ← |+⟩의 이론값 [[0.5, 0.5],[0.5, 0.5]]에 근접

충실도 평가를 통한 하드웨어 검증

재구성된 $\hat{\rho }$와 이론 목표 순수 상태 $|\psi ⟩$ 사이의 충실도(fidelity)는 다음과 같이 계산된다.

$$F=⟨\psi |\hat{\rho }|\psi ⟩$$

이 값이 1에 가까울수록 실제 하드웨어가 목표 상태를 충실히 구현함을 의미한다. IBM Quantum, Google 등의 양자 프로세서 벤치마킹에서 QST 기반 충실도 보고는 표준 절차다.

확장성 문제와 효율적 변형

$n$-큐비트 QST의 측정 설정 수는 $O(4^n)$으로 지수 증가해, 수십 큐비트 이상에서는 실용적으로 불가능하다. 이를 극복하는 세 가지 접근법이 있다.

방법	핵심 가정	측정 수
압축 센싱 QST	상태가 저랭크(rank $r$)	$O(rd\log d)$
MPS 단층 촬영	낮은 얽힘 엔트로피	다항식
섀도우 단층 촬영	무작위 유니터리 측정	$O(\log M\cdot {ϵ}^{-2})$

섀도우 단층 촬영(Classical Shadow Tomography)은 무작위로 선택한 유니터리 변환 후 계산 기저에서 측정하고, 그 결과로부터 $M$개의 관측량 기댓값을 동시에 추정함으로써 특히 큰 주목을 받는다.

---

정리

QST는 밀도 행렬을 완전히 재구성하는 가장 근본적인 양자 특성화 도구다. 단일 큐비트의 경우 세 Pauli 기저 측정만으로 충분하지만, $n$-큐비트 시스템에서는 $4^n-1$개의 매개변수를 추정해야 하므로 지수적 자원이 요구된다. MLE는 물리적 타당성을 보장하는 표준 재구성 기법이며, 대규모 시스템에서는 압축 센싱·섀도우 단층 촬영 같은 효율적 변형이 필수적이다.