<aside> 📈

QISKIT LAB / 07 · 변분 고유값 알고리즘

두 큐비트 해밀토니안의 바닥상태 에너지를 파라미터 회로 + Estimator + 고전 최적화로 찾고, 정확한 행렬 대각화 결과와 비교합니다.

</aside>

학습 준비

%pip install -q 'qiskit~=2.5.2' scipy

먼저 뜻부터 · 기대값과 해밀토니안

직관과 수학 · 왜 최적화하는가

대상 모형은 H = −Z⊗Z + 0.5 X⊗X입니다. 회로 RY(θ) on q0 → CX(q0,q1)로 만드는 상태는 cos(θ/2)|00⟩ + sin(θ/2)|11⟩입니다. 따라서 ⟨ZZ⟩ = 1, ⟨XX⟩ = sin θ, E(θ)=−1+0.5 sin θ입니다. 바닥 에너지는 −1.5이고 θ = −π/2일 때 얻습니다. 컴퓨터에서는 이 답을 미리 넣지 않고 각 θ의 에너지를 평가해 최소값을 찾습니다.

먼저 예측: θ = 0일 때 에너지는 얼마일까요? 어느 θ가 가장 낮은 에너지를 줄까요?

심화 이해 · 변분 원리가 보장하는 것

정규화된 임의의 시험 상태 |ψ(θ)⟩를 H의 고유상태들로 전개하면, ⟨ψ(θ)|H|ψ(θ)⟩는 각 고유값을 음이 아닌 확률로 가중 평균한 값입니다. 따라서 계산한 에너지는 진짜 바닥 에너지보다 낮아질 수 없습니다. 이 예제의 회로는 실제 바닥상태를 표현할 수 있어 정확한 −1.5에 도달합니다. 다른 문제에서는 회로가 필요한 상태를 만들지 못하거나 최적화가 잘 끝나지 않아 더 높은 에너지가 나올 수 있습니다.

Colab 실습 · Estimator로 에너지를 계산해 최소화

import numpy as np
from scipy.optimize import minimize_scalar
from qiskit import QuantumCircuit
from qiskit.circuit import Parameter
from qiskit.quantum_info import SparsePauliOp
from qiskit.primitives import StatevectorEstimator

theta = Parameter("theta")
ansatz = QuantumCircuit(2)
ansatz.ry(theta, 0)
ansatz.cx(0, 1)                    # 최종 측정은 추가하지 않음
hamiltonian = SparsePauliOp.from_list([("ZZ", -1.0), ("XX", 0.5)])
estimator = StatevectorEstimator()

def energy(angle):
    pub = (ansatz, hamiltonian, [float(angle)])
    ev = estimator.run([pub]).result()[0].data.evs
    return float(np.asarray(ev).item())

print("E(0) =", round(energy(0.0), 6))
result = minimize_scalar(
    energy, bounds=(-np.pi, np.pi), method="bounded",
    options={"xatol": 1e-8}
)
exact = float(np.linalg.eigvalsh(hamiltonian.to_matrix()).min())
print("최적 θ =", round(result.x, 6))
print("변분 에너지 =", round(result.fun, 6))
print("정확한 바닥 에너지 =", round(exact, 6))

예상: E(0)=−1.0; 최적 θ≈−1.570796; 변분 에너지와 정확한 바닥 에너지가 모두 −1.5입니다. 결과의 마지막 자릿수는 최적화 허용 오차에 따라 변합니다. Qiskit의 2큐비트 Pauli 문자열은 왼쪽부터 q1, q0 순서입니다.

한 단계 더 · 안자츠의 한계 시험