신경망과 양자와의 관계 (연구결과)

 

 

신경망은 양자 시스템의 얽힘 정도를 기존 기술보다 훨씬 더 효율적으로 추정할 수 있다는 새로운 연구 결과가 발표되었습니다. 양자 상태를 완전히 특성화할 필요가 없는 새로운 딥러닝 방법은 얽힘을 정량화하는 것이 중요하지만 리소스 제한으로 인해 전체 상태 특성화가 비현실적인 대규모 양자 기술에 특히 유용할 수 있습니다.

여러 입자가 공통 파동 함수를 공유하여 한 입자가 교란되면 다른 모든 입자에 영향을 미치는 상황인 얽힘은 양자역학의 핵심입니다. 따라서 시스템의 얽힘 정도를 측정하는 것은 시스템이 얼마나 "양자적인지" 이해하는 과정의 일부라고 이 연구의 공동 저자인 체코 팔라키 대학교의 물리학자 미로슬라브 제젝은 말합니다. "양자 물리학의 기초가 논의되는 단순한 두 입자 시스템에서 이러한 행동을 관찰할 수 있습니다."라고 그는 설명합니다. "반면에, 예를 들어 거시적 물질에서 얽힘의 변화와 상전이 사이에는 직접적인 연관성이 있습니다."

 

시스템에서 두 입자가 얽혀 있는 정도는 하나의 숫자로 정량화할 수 있습니다. 이 숫자의 정확한 값을 얻으려면 파동 함수를 재구성해야 하지만, 양자 상태를 측정하면 파동 함수가 파괴되므로 동일한 상태의 복사본을 여러 번 반복해서 측정해야 합니다. 이를 일련의 2D 이미지를 사용하여 3D 이미지를 구성하는 고전적인 단층 촬영에 비유하여 양자 단층 촬영이라고 하며, 이는 양자 이론의 피할 수 없는 결과입니다. 스웨덴 스톡홀름 대학의 물리학자이자 연구팀의 일원인 아나 프레도예비치는 "한 번의 측정으로 양자 상태에 대해 알 수 있다면 큐비트는 큐비트가 아니라 비트가 될 것이고 양자 통신도 존재하지 않을 것"이라고 말합니다.

문제는 양자 측정의 고유한 불확실성으로 인해 각 큐비트에 대해 전체 다중 큐비트 파동 기능 단층 촬영을 수행해야 하기 때문에 양자 프로세서에서 큐비트 간의 얽힘을 측정하기가 매우 어렵다는 것입니다. 소형 프로세서의 경우에도 이 작업은 며칠이 걸립니다: "단 한 번의 측정으로 얽힘이 있는지 없는지 알 수는 없습니다."라고 프레도예비치는 말합니다. "척추의 컴퓨터 단층 촬영(CAT)을 할 때 전체 이미지를 찍으려면 45분 동안 튜브 안에 있어야 하는 것과 같습니다. 5분 동안의 스캔으로 이 척추에 문제가 있는지 저 척추에 문제가 있는지 알 수 없습니다."라고 프레도제비치는 말합니다.

 

 

연구를 통해 얻게 된 결과 [신경망으로 양자 상태 측정 속도 향상할 수 있다.]
얽힘을 100% 정확하게 계산하려면 완전한 양자 상태 단층 촬영이 필요하지만, 부분적인 정보로부터 양자 상태를 추측할 수 있는 몇 가지 알고리즘이 존재합니다. 이 접근법의 문제점은 "제한된 수의 측정으로 어느 정도 정밀도 수준에서 얽힘에 대해 말할 수 있다는 수학적 증거가 없다는 것"이라고 제크는 말합니다.

새로운 연구에서 제크, 프레도예비치와 동료들은 양자 상태 재구성이라는 개념을 완전히 버리고 얽힘의 정도만을 목표로 삼는 다른 접근 방식을 취했습니다. 이를 위해 얽힌 양자 상태를 연구하는 심층 신경망을 설계하고 수치로 생성된 데이터로 훈련했습니다. "우리는 양자 상태를 무작위로 선택하고 상태를 생성한 후 시스템의 얽힘 정도를 알기 때문에 네트워크의 출력을 알 수 있습니다. 하지만 다른 방향에서 다른 수의 복사본을 측정할 때 얻을 수 있는 데이터를 시뮬레이션할 수도 있습니다. 이 시뮬레이션된 데이터가 네트워크의 입력이 됩니다." 라고 제젝은 설명합니다. 

네트워크는 이러한 데이터를 사용하여 주어진 측정 세트에서 얽힘을 더 잘 추정할 수 있도록 스스로 학습했습니다. 그런 다음 연구진은 두 번째 시뮬레이션 데이터 세트를 사용하여 알고리즘의 정확성을 확인했습니다. 그 결과 기존의 양자 단층 촬영 추정 알고리즘에 비해 오차가 약 10배 낮다는 것을 발견했습니다.

 

 

실험과정과 앞으로의 연구팀의 방향
마지막으로 연구진은 공진 펌핑된 반도체 양자점과 자발적 파라메트릭 하향 변환 2광자 소스라는 두 가지 실제 얽힌 시스템을 실험적으로 측정했습니다. "우리는 전체 양자 상태 단층 촬영을 측정했고, 이를 통해 양자 상태에 대한 모든 것을 알 수 있었습니다."라고 제젝은 말합니다. "그런 다음 이러한 측정 중 일부를 생략했습니다."라고 덧붙입니다. 점점 더 많은 측정값을 제거하면서 연구진은 심층 신경망의 예측 오차를 기존의 동일한 알고리즘의 오차와 비교했습니다. 그 결과 신경망의 오차가 현저히 낮아졌습니다.

 

미국 루이지애나주 툴레인 대학교의 양자 광학 전문가이자 머신러닝을 이용해 양자 상태를 추정해 온 라이언 글래서는 이 새로운 연구가 "매우 중요하다"고 말합니다. "현재 양자 기술이 직면하고 있는 문제 중 하나는 대규모 시스템으로 확장할 수 있는 단계에 이르렀고, 시스템을 완전히 이해할 수 있어야 한다는 점입니다."라고 글래서는 말합니다. "양자 시스템은 섬세하고 측정하고 완전히 특성화하기 어려운 것으로 악명이 높습니다. 연구진은 시스템의 얽힘 정도를 매우 정확하게 정량화할 수 있음을 보여주었는데, 이는 아무도 2큐비트 양자 컴퓨터를 원하지 않기 때문에 점점 더 큰 양자 시스템으로 나아갈 때 매우 유용합니다."라고 말합니다.

이 연구는 사이언스 어드밴시스(Science Advances)에 게재되었습니다.