Variational Quantum Solutions to the Advection-Diffusion Equation for Applications in Fluid Dynamics

핵심

이 논문은 간단한 언어와 일상적인 비유를 사용하여 설명합니다.

큰 문제: 기상 모델이 너무 무거워지고 있습니다

날씨를 예측해 보라고 상상해 보세요. 이를 정확하게 수행하기 위해 과학자들은 대기를 작은 격자 칸으로 나누는 거대한 컴퓨터 모델을 사용합니다. 거대한 3 차원 체스판과 같죠. 칸이 작을수록 예보의 정확도는 높아집니다.

하지만 함정이 하나 있습니다. 그 칸들을 더 작게 만들려면 기하급수적으로 더 많은 전력이 필요합니다. 저자들은 이를 "규모의 전제"에 비유합니다. 만약 더 작은 폭풍을 보기 위해 기상 모델의 해상도를 두 배로 높이고 싶다면, 작은 도시 전체의 전력을 소비하는 슈퍼컴퓨터가 필요합니다. 우리는 현재 컴퓨터가 에너지를 너무 많이 소모하지 않고는 더 빨라지거나 더 강력해질 수 없는 벽에 부딪히고 있습니다. 또한 수십 년간 컴퓨터를 더 빠르게 만들어 온 기술 (무어의 법칙) 도 힘을 잃어가고 있습니다.

제안된 해결책: 양자 "마술"

저자들은 이 에너지 장벽을 깨기 위해 양자 컴퓨팅을 사용할 것을 제안합니다. 고전 컴퓨터를 특정 사실을 찾기 위해 선반 위의 모든 책을 하나씩 확인해야 하는 사서라고 상상해 보세요. 반면 양자 컴퓨터는 선반 위의 모든 책을 동시에 마술처럼 확인할 수 있는 사서와 같습니다.

이 연구에서 팀은 전체 날씨 예보를 한 번에 해결하려 하지 않았습니다. 대신 이류 - 확산 방정식이라는 구체적이고 단순화된 물리 문제에 집중했습니다.

• 비유: 물 한 컵에 잉크 한 방울이 떨어지는 상황을 상상해 보세요. "이류 (Advection)"는 잉크가 흐름을 따라 이동하는 것이고, "확산 (Diffusion)"은 잉크가 퍼져나가 흐릿해지는 것입니다. 이 방정식은 그 움직임을 설명합니다. 이는 유체 역학 (공기와 물의 이동 방식) 의 기본 구성 요소이며, 이는 날씨 예측의 핵심입니다.

어떻게 수행했는지: 하이브리드 팀

현재의 양자 컴퓨터는 여전히 "노이즈가 많아서" (라디오의 정전기처럼 쉽게 실수를 저지름) 팀은 양자 컴퓨터에게 모든 일을 혼자 하라고 요청할 수 없었습니다. 대신 하이브리드 양자 - 고전 방식을 사용했습니다.

이를 셰프와 수석 셰프가 함께 일하는 것으로 생각하세요:

1. 고전 컴퓨터 (셰프): 무거운 계획을 담당합니다. 문제를 설정하고 양자 컴퓨터에게 무엇을 해야 할지 지시합니다.
2. 양자 컴퓨터 (수석 셰프): 매우 구체적이고 까다로운 작업을 수행합니다. 복잡한 수학 퍼즐의 답을 추측해 보려고 시도합니다.
3. 루프: 수석 셰프가 추측을 하면, 셰프가 그 추측이 정답에 얼마나 가까운지 확인한 후 수석 셰프에게 추측을 약간 수정하라고 지시합니다. 추측이 완벽해질 때까지 이 과정을 반복합니다.

이 방법은 **변분 양자 선형 솔버 (VQLS)**라고 불립니다.

실험: 실제 하드웨어에서 테스트

팀은 "셰프와 수석 셰프" 팀을 클라우드에 데려가 IBM 의 세 가지 실제 양자 컴퓨터 (카이로, 하노이, 몬트리올) 를 사용했습니다. 이 기계들은 초기 프로토타입과 같으며 작고 오류가 발생하기 쉽습니다.

그들은 잉크 - 물 문제를 아주 작은 버전으로 설정했습니다.

• 문제를 행렬 (숫자의 격자) 로 분해했습니다.
• 그 숫자들을 양자 컴퓨터가 이해하는 언어로 번역했습니다 (양자 비트인 "큐비트"를 사용하는데, 이는 켜짐, 꺼짐, 또는 동시에 둘 다일 수 있는 스위치와 같습니다).
• 결과가 일관적인지 확인하기 위해 시뮬레이션을 24 회 실행했습니다.

결과: 작동하지만 노이즈가 있습니다

결과는 유망했습니다:

• 성공: 양자 컴퓨터가 방정식을 풀 수 있었습니다. 24 회 실행의 평균 결과는 표준적이고 강력한 고전 컴퓨터로 계산된 해와 매우 유사했습니다.
• 정확도: 오차율은 작았습니다 (시간 단계에 따라 약 6% 에서 15% 사이). 저자들은 이러한 노이즈가 많은 기계에 대해 이를 "신뢰할 수 있는 해결책"으로 간주합니다.
• 함정: 모든 실행의 평균은 좋았지만, 개별 실행은 다양했습니다. 어떤 것은 한 방향으로 약간 벗어나 있고, 다른 것은 다른 방향으로 벗어났습니다. 이는 24 명의 사람에게 소의 무게를 추측하게 하는 것과 같습니다. 평균은 정확할 수 있지만, 개별 추측은 너무 높거나 너무 낮을 수 있습니다. 저자들은 이 "노이즈"로 인해 신뢰할 수 있는 답을 얻으려면 시뮬레이션을 여러 번 실행하고 결과를 평균화해야 할 수 있다고 지적했습니다.

한계점: 왜 아직 날씨를 예측할 수 없는지

이 논문은 이것이 아직 무엇을 의미하지 않는지 매우 명확하게 밝히고 있습니다.

• 개념 증명: 그들은 유체 문제의 아주 작고 단순화된 버전을 해결했습니다. 전체 글로벌 날씨 예보를 해결한 것은 아닙니다.
• 병목 현상: 문제가 커질수록 (더 많은 격자 칸, 더 복잡한 방정식), 양자 컴퓨터가 취해야 하는 단계 수가 매우 빠르게 (이차적으로) 증가합니다. 저자들은 매우 큰 문제의 경우 필요한 단계 수가 현재 양자 컴퓨터가 처리할 수 있는 범위를 초과한다는 것을 발견했습니다.
• 미래: 저자들은 이 특정 방법이 오늘날 작은 문제에는 작동하지만, 현실 세계의 날씨 예측의 거대한 규모를 처리하려면 상당한 개선이 필요하다고 결론지었습니다. 그러나 이는 양자 컴퓨터가 결국 오늘날의 슈퍼컴퓨터가 지닌 막대한 에너지 비용 없이 이러한 어려운 유체 역학 퍼즐을 해결하는 데 도움을 줄 수 있음을 증명합니다.

요약

간단히 말해, 저자들은 기본 유체 물리 문제를 해결하기 위해 고전 컴퓨팅과 양자 컴퓨팅 사이의 작은 다리를 구축했습니다. 그들은 오늘날의 "노이즈가 많은" 양자 기계로도 decent 한 답을 얻을 수 있음을 보여주었습니다. 이는 go-kart 에서 새로운 유형의 엔진이 작동한다는 것을 증명하는 것과 같습니다. 이것이 곧 트럭을 전국으로 운전할 준비가 되었다는 뜻은 아니지만, 엔진 개념이 실현 가능함을 증명합니다.

기술 요약

기술 요약: 대류 - 확산 방정식에 대한 변분 양자 해법

문제 제기
운영 수치 기상 예보 (NWP) 는 "규모의 폭주 (tyranny of scales)"로 인해 심각한 제약을 겪고 있습니다. 분자 수준에서 행성 수준까지 유체 역학을 해결하려면 격자 간격이 점점 더 미세해져야 하기 때문입니다. 이 추세는 전력 소비와 계산 요구 사항을 비현실적인 수준으로 끌어올립니다. 예를 들어, 10km 해상도에서 1km 해상도로 모델을 다운스케일하면 전력 소비가 세 자릿수 (orders of magnitude) 만큼 증가할 수 있습니다. 또한, 무어의 법칙이 종말을 고함에 따라 향후 예보 정확도 향상을 위한 계산 자원의 한계가 도래할 위협이 있습니다. 고전적 방법들이 이러한 한계에 직면해 있는 반면, 양자 컴퓨팅 (QC) 은 전력 소비의 병목 현상을 완화하고 복잡한 편미분 방정식 (PDE) 을 더 효율적으로 해결할 수 있는 잠재적 경로를 제공합니다.

방법론
저자들은 유체 역학의 기본이 되는 비선형 편미분 방정식인 1 차원 대류 - 확산 방정식을 해결하기 위한 하이브리드 양자 - 고전 프레임워크를 제안합니다. 방법론은 세 가지 주요 단계를 거칩니다:

1. 선형화 및 이산화: 양자 역학은 본질적으로 선형이므로, 비선형 대류 - 확산 방정식을 선형 방정식 체계로 변환합니다. 이는 비선형 미분 방정식을 무한히 연결된 선형 방정식 열에 매핑하는 선형화 방법을 통해 달성되며, 이후 정확도를 유지하면서 수렴을 보장하기 위해 낮은 차수 ($\tau \le 5$) 에서 절단됩니다. 시스템은 전진 오일러 (forward Euler) 방법을 사용하여 행렬 방정식 $A|x\rangle = |b\rangle$을 형성하도록 이산화됩니다.
2. 행렬 분해: 양자 레지스터에서 연산을 수행하기 위해 선형 연산자 $A$는 유니터리 연산자의 선형 결합 ($A = \sum c_l A_l$) 으로 분해됩니다. 각 유니터리 연산자 $A_l$은 개별 큐비트에 작용하는 파울리 연산자 ($I, X, Y, Z$) 의 텐서 곱으로 구성됩니다.
3. 변분 양자 선형 솔버 (VQLS): 선형 시스템은 VQLS 알고리즘을 사용하여 해결됩니다. 이는 양자 컴퓨터가 매개변수화된 양자 상태 $|x(\theta)\rangle = V(\theta)|0\rangle$를 준비하고, 고전적 최적화기가 비용 함수 $C(\theta)$를 최소화하도록 매개변수 $\theta$를 업데이트하는 하이브리드 접근법입니다.
   • 안사츠 (Ansatz): 연구는 실수 해를 생성하도록 제한된, 기존 문헌의 안사츠 회로 9 의 수정된 버전을 사용합니다.
   • 비용 함수: barren plateaus 를 피하기 위해 특정 해밀토니안의 기대값을 통해 계산된 지역 비용 함수가 사용됩니다.
   • 측정 전략: 하마드 테스트에 의존하는 방법과 달리, 이 구현은 QISKIT 파울리 기대값 방법을 사용합니다. 이 접근법은 안사츠 회로를 파울리 기저에서 대각화하고 개별 큐비트를 측정하여, 개별 큐비트 판독을 대가로 두 큐비트 게이트 (주된 잡음 원인) 의 수를 줄입니다.
   • 최적화: 비용 함수를 최소화하기 위해 확률적 섭동 동시 근사 (SPSA) 알고리즘이 사용되며, 이는 더 적은 함수 평가로 기울기를 추정하는 데 효율적이기 때문에 선택되었습니다.

실험 설정
알고리즘은 세 가지 IBM 양자 시스템 (Cairo, Hanoi, Montreal; 모두 27 큐비트 Falcon 프로세서) 에서 실행되었습니다. 구체적인 문제 사례는 $n=4$개의 격자 점과 $\tau=1$의 절단 차수를 가진 1 차원 대류 - 확산 방정식이었습니다. 계산 벡터 공간은 3 큐비트 힐베르트 공간 ($2^3=8$) 에 맞도록 차원 $N=12$에서 $N=8$로 축소되었습니다. 세 대의 기계에서 24 개 멤버 앙상블 실행이 수행되었으며, 회로당 최대 8,192 샷 (shots) 이 사용되었습니다.

결과

• 수렴: 24 개 실행 중 대부분에서 비용 함수는 처음 40 회 반복 내에서 빠르게 수렴하여 $10^{-2}$ 근처의 값으로 안정화되었습니다.
• 정확도: 24 개 양자 해의 평균은 선형화 시스템의 고전적 해와 밀접하게 일치했습니다. 고전적 선형 시스템 해에 대한 평균 제곱근 오차 (RMSE) 는 $t=0.25$초에서 0.010 m/s (상대 오차 6%), $t=0.5$초에서 0.021 m/s (상대 오차 15%) 였습니다.
• 편향 분석: 앙상블 평균은 신뢰할 수 있는 해를 제공했지만, 개별 실행은 고유한 편향을 나타냈습니다. 추가 데이터 분석에 따르면, 개별 해의 오차 부호는 무작위가 아니라 수렴 과정 초기에 종종 결정되는 것으로 나타났으며, 이는 편향 없는 추정을 얻기 위해 여러 번의 적분이 필요할 수 있음을 시사합니다.
• 확장성 제약: 연구는 이 특정 VQLS 접근법의 확장에 있어 중요한 병목 현상을 확인했습니다. 반복당 필요한 회로의 수는 파울리 분해의 항 수 ($L$) 에 따라 제곱으로 증가합니다 ($N_C \approx (Q+1)L^2$). 현재의 하드웨어 제한 (예: IBM 의 900 개 회로 제출 제한) 을 고려할 때, 이 제곱 스케일링은 방법을 작은 $L$을 가진 문제로 제한하여 임의의 대규모 비선형 미분 방정식에 대한 즉각적인 적용을 방해합니다.

의의 및 주장
저자들은 이 작업이 실제 양자 하드웨어에서 기상학적으로 관련 있는 계산 문제 (대류 - 확산 방정식) 를 해결한 최초의 증시라고 주장합니다. 주요 의의는 잡음과 결어긋남 (decoherence) 한계에도 불구하고 현재의 잡음 중간 규모 양자 (NISQ) 장치에서 유체 역학 방정식에 대한 신뢰할 수 있는 해를 얻을 수 있는 가능성을 입증하는 데 있습니다.

논지는 미래 응용 분야에 대해 겸손한 범위를 유지합니다. 이 특정 알고리즘이 즉시 운영 NWP 에 준비되어 있다고 주장하지는 않습니다. 대신, 현재의 VQLS 구현이 회로 수 요구 사항으로 인해 확장 병목 현상에 직면해 있지만, 성공적인 개념 증명 (proof-of-concept) 은 하드웨어가 개선되고 알고리즘이 진화함에 따라 양자 컴퓨터가 전통적 방법을 대체할 수 있음을 시사한다고 강조합니다. 저자들은 결함 허용 시스템의 경우 완전히 다른 알고리즘이 사용될 가능성이 있다고 지적하지만, 이 연구는 기상 예보를 위해 양자 자원을 활용하기 위한 기초적인 단계를 확립했다고 언급합니다.