Hybrid quantum-classical approach for combinatorial problems at hadron colliders

대형 강입자 충돌기(LHC)는 양성자를 빛의 속도에 가깝게 충돌시켜 우주의 가장 깊은 질문들에 답하기 위해 만들어진 기계입니다. 이 입자들이 충돌할 때, 그것들은 더 작은 파편들의 혼란스러운 분사로 부서지며, 물리학자들이 무엇이 일어났는지 이해하기 위해 재구성해야 하는 찰나의 에너지 스냅샷을 생성합니다. 입자 물리학의 세계에서, 이러한 재구성은 종종 추론의 게임입니다. 과학자들은 파편들을 보고 어떤 조각들이 어떤 모태 입자로부터 왔는지 알아내려 노력하는데, 이는 충돌이 많은 수의 제트(jets), 즉 입자의 분사들을 생성하여 모두 뒤섞여 있을 때 매우 어려워지는 작업입니다. 이것은 조합 문제(combinatorial problem)로 알려져 있습니다. 조각이 너무 많으면 그것들을 올바르게 그룹화하는 방법의 수가 방대해지며, 그 속에서 진정한 충돌의 이야기를 찾아내는 것은 마치 모든 양말이 똑같이 생긴 세탁실에서 특정 세트의 일치하는 양말을 찾는 것과 같습니다.

수십 년 동안 물리학자들은 이 퍼즐을 풀기 위해 운동과 에너지의 법칙에 기반한 수학적 규칙을 사용하여 고전적인 컴퓨팅 방식에 의존해 왔습니다. 최근에는 패턴을 인식하도록 수백만 개의 시뮬레이션된 이벤트를 학습시킨 컴퓨터 프로그램인 머신 러닝으로 눈을 돌렸습니다. 그러나 새로운 연구는 양자 역학의 기묘한 규칙을 활용하는 다른 종류의 컴퓨팅 능력이 이와 동일한 과제를 해결할 수 있는 새롭고 강력한 방법을 제공할 수 있음을 시사합니다. 베이징 대학교, 캔자스 대학교, IonQ를 포함한 기관의 연구진은 양자 알고리즘이 어떻게 탑 쿼크 충돌의 파편들을 분류하는 데 사용될 수 있는지 탐구했습니다. 탑 쿼크 충돌은 분석하기 까다롭기로 유명한 특정 유형의 무거운 입자 이벤트입니다. 그들의 연구는 이러한 양자 방식이 기존의 최고 기술들과 성능을 맞출 수 있을 뿐만 아니라, 전통적인 머신 러닝이 요구하는 방대한 학습 세션 없이도 이를 수행할 수 있음을 보여줍니다.

연구팀은 두 개의 무거운 탑 쿼크가 생성되어 즉시 여섯 개의 입자 제트로 붕괴되는 시나리오인, 탑 쿼크 쌍 생성의 완전 강입자 채널(fully hadronic channel)에 집중했습니다. 이 환경에서 검출기는 여섯 개의 뚜렷한 제트 구름을 보지만, 어떤 세 개가 첫 번째 탑 쿼크에 속하고 어떤 세 개가 두 번째 탑 쿼크에 속하는지는 알 수 없습니다. 탑 쿼크는 무겁고 빠르게 붕괴하기 때문에, 그것이 생성하는 제트들은 종종 서로 밀집되어 있어 구분을 더욱 어렵게 만듭니다. 연구진은 이 분류 작업을 최적화 문제로 취급하여, 컴퓨터에게 에너지와 운동량의 법칙에 따라 가장 물리적으로 타당한 제트 그룹핑을 찾도록 요청했습니다. 그들은 피드백 기반 접근법을 통해 단계별로 실시간 조정하는 방식과, 양자 시스템의 시간 흐름을 시뮬레이션하여 최저 에너지 상태를 찾는 기술을 포함하여 양자 근사 최적화 알고리즘(QAOA)이라 불리는 여러 가지 양자 알고리즘을 테스트했습니다.

이 방법들이 얼마나 잘 작동하는지 확인하기 위해, 과학자들은 12,000개의 충돌 이벤트 데이터셋에 대한 시뮬레이션을 실행했습니다. 그들은 양자 알고리즘을 두 가지 확립된 벤치마크, 즉 각 그룹의 질량을 최소화하려고 시도하는 헤미스피어(hemisphere) 접근법이라는 전통적인 운동학적 방법과, 수백만 개의 사례를 학습시킨 SPANet이라는 정교한 머신 러닝 네트워크와 비교했습니다. 결과는 놀라웠습니다. 양자 알고리즘, 특히 피드백 기반 방식과 최적화 알고리즘의 변형은 약 79%의 이벤트에서 올바른 제트 그룹핑을 성공적으로 식별했습니다. 이는 고급 머신 러닝 네트워크의 성능과 일치하며, 약 50%의 성공률만을 보인 전통적인 헤미스피어 방법을 크게 상회하는 결과였습니다.

이러한 결과가 특히 흥-미로운 점은 양자 방식이 어떻게 이 결과를 달성했는가 하는 것입니다. 실제 이벤트에 사용되기 전 방대한 시뮬레이션 데이터 라이브러리를 학습해야 했던 머신 러닝 방식과 달리, 양자 알고리즘은 학습이 전혀 필요하지 않았습니다. 대신, 그것들은 각 개별 충돌 이벤트에 대해 즉석에서 솔루션을 계산하고, 그 순간에 맞춰 내부 파라미터를 조정했습니다. 이는 충돌의 물리학이 약간 변하더라도 양자 알고리즘을 다시 학습시킬 필요가 없으며, 즉시 새로운 조건에 적응할 수 있음을 의미합니다. 연구는 또한 이러한 양자 방식이 다양한 유형의 충돌에 걸쳐 견고함을 보여주었으며, 입자들이 서로 다른 속도로 움직일 때도 잘 작동했다는 점을 발견했습니다. 이는 단순한 방법들을 혼란스럽게 만드는 요인입니다.

연구진은 이러한 결과가 유망하지만, 검출기의 효과와 입자 샤워의 복잡한 세부 사항들이 단순화된 이상적인 데이터의 시뮬레이션을 기반으로 하고 있다는 점을 주의 깊게 언급했습니다. 실제 세상에서는 물리적 하드웨어의 노이즈와 한계가 큰 장애물이 됩니다. 이번 연구에 사용된 양자 회로는 단 6개의 큐비트(양자 정보의 기본 단위)만을 포함하는 비교적 작은 규모였습니다. 충돌 내 입자 수가 증가함에 따라 문제의 복잡성은 급격히 커지며, 양자 회로는 그 부하를 처리하기 위해 훨씬 더 깊고 복잡해져야 합니다. 저자들은 현재의 양자 컴퓨터가 여전히 초기 개발 단계에 있으며, 정밀한 계산을 방해할 수 있는 오류와 노이즈에 취약하다고 지적합니다. 그러나 이 연구는 수학적 프레임워크가 이러한 문제를 해결할 수 있다는 것이 존재하며, 양자 컴퓨터가 원칙적으로 높은 효율성으로 복잡한 입자 충돌의 경관을 탐색할 수 있음을 보여주는 개념 증명 역할을 합니다.

이 연구는 또한 과학자들이 미래에 데이터 분석에 어떻게 접근할 것인가에 대한 더 넓은 변화를 강조합니다. 머신 러닝이 물리학의 지배적인 도구가 되었지만, 그것은 학습 중에 보는 데이터가 나중에 마주할 데이터와 정확히 일치할 것이라는 가정에 크게 의존합니다. 만약 실제 세상이 시뮬레이션과 다르게 작동한다면 모델은 실패할 수 있습니다. 양자 방식은 과거 데이터로부터의 패턴 인식이 아닌, 근본적인 물리 법칙에 의존하는 다른 길을 제시합니다. 이는 실험이 더 복잡해지고 데이터를 정확하게 시뮬레이션하기 어려워짐에 따라 결정적인 이점이 될 수 있습니다. 연구는 양자 하드웨어가 성숙해짐에 따라, 이러한 알고리즘이 물리학자들의 도구 상자에서 표준적인 부분이 되어, 고에너지 충돌의 혼란스러운 노이즈로부터 더 명확한 신호를 추출하는 방법을 제공할 수 있음을 시사합니다.

궁극적으로, 이 연구는 입자 재구성을 해결했거나 모든 고전적 컴퓨팅 방식에 대해 결정적인 우위를 입증했다고 주장하는 것이 아닙니다. 타부 서치(Tabu search)라고 불리는 검색 기술와 같은 비교 대상인 고전적 알고리즘들도 이 특정 소규모 문제에 대해서는 양자 방식만큼이나 잘 수행되었습니다. 이 연구의 진정한 가치는 양자 알고리즘이 무거운 학습 과정을 요구하지 않는 실행 가능하고 적응력 있는 대안임을 보여준 데 있습니다. 이는 미래의 탐구를 위한 문을 열어주며, 양자 기술이 발전함에 따라 양자 알고리즘이 입자 충돌의 혼란스러운 분사를 명확하고 이해 가능한 이야기로 바꾸는 독특하고 강력한 방법이 될 수 있음을 시사합니다.