Quantum Encoding of Structured Data with Matrix Product States

양자 컴퓨터는 현재의 고전적 기계로는 불가능한 문제들을 해결할 가능성을 약속하지만, 본격적인 시작에 앞서 근본적인 장애물에 직면해 있습니다. 바로 적절한 정보를 내부로 들여오는 일입니다. 계산을 수행하기 위해 양자 컴퓨터는 먼저 고전적 데이터(숫자, 이미지 또는 함수)를 자신의 양자 상태로 로드해야 합니다. '상태 준비(state preparation)'라고 알려진 이 과정은 매우 까다롭습니다. 양자 시스템의 가능성 공간은 입자가 추가될 때마다 기하급수적으로 증가하기 때문에, 복잡하고 구조가 없는 데이터셋을 로드하는 작업은 오늘날의 하드웨어에서 실행하기에는 우주의 나이보다 더 오래 걸릴 정도로 깊고 복잡한 회로를 요구하게 됩니다. 이러한 병목 현상은 금융, 의학, 머신러닝 등의 분야에서 양자 컴퓨터가 제공하는 속도 이점을 무효화할 위협이 됩니다. 따라서 과제는 단순히 더 빠른 기계를 만드는 것이 아니라, 방대한 양의 데이터를 빠르고 정확하게 로드할 수 있을 만큼 단순한 양자 형식으로 압축하는 방법을 찾는 것입니다.

서호주 대학교의 연구진은 많은 현실 세계의 데이터셋에서 발견되는 숨겨진 구조를 활용하여 이 병목 현상을 우회하는 새로운 방법을 개발했습니다. 연구진은 양자 컴퓨터가 이미지의 모든 픽셀이나 복잡한 함수의 모든 값을 억지로 기억하도록 강요하는 대신, '행렬 곱 상태(matrix product state)'라는 수학적 기법을 사용합니다. 이것을 긴 데이터 문자열을 전체를 한꺼번에 기억하는 대신, 인접한 이웃만을 기억하는 작은 연결된 조각들로 나누어 설명하는 방식으로 생각할 수 있습니다. 이 접근 방식이 작동하는 이유는 수학적 함수의 매끄러운 곡선부터 의료 스캔의 패턴에 이르기까지 많은 자연 현상이 무작위적이거나 혼돈스러운 연결을 가지고 있지 않으며, 전체적인 무구조적 설명보다 훨씬 적은 자원으로 포착할 수 있는 제한적이고 국소적인 구조를 가지고 있기 때문입니다.

조쉬 그린(Josh Green)과 징보 왕(Jingbo Wang)이 이끄는 팀은 이 압축 기술을 통해 복잡한 함수와 이미지를 나타내는 양자 상태를 놀라운 속도와 정확도로 준비할 수 있음을 입증했습니다. 그들은 '행렬 곱 얽힘 해제기(Matrix Product Disentangler)'라고 알려진 특정 알고리즘에 집중했는데, 이는 역설계 도구처럼 작동합니다. 이 도구는 대상 데이터셋을 가져와 이를 생성하는 데 필요한 가장 단순한 양자 연산 시퀀스를 찾아냅니다. 그러나 이 초기 도구 자체만으로는 완벽하지 않습니다. 결과를 정교하게 다듬기 위해 연구진은 '텐서 네트워크 최적화(tensor network optimization)'라는 두 번째 단계를 결합했습니다. 이 과정은 양자 회로의 파라미터를 조정하여 오류를 최소ize하고 정확도를 완벽에 가깝게 밀어 올리는 미세 조정 메커니즘 역할을 합니다. 그 결과, 현재의 불완전한 기계인 NISQ(잡음이 있는 중간 규모 양자) 장치에서도 실행할 수 있을 만큼 얕은 회로를 사용하여 데이터를 양자 컴퓨터에 로드할 수 있는 방법이 탄생했습니다.

연구진은 급격한 변화, 갑작스러운 도약, 그리고 일반적으로 양자 알고리즘을 혼란스럽게 만드는 불규칙한 형태를 포함한 광범위한 수학적 함수를 대상으로 이 접근 방식을 테스트했습니다. 그들은 저차 다항식, 루트 함수, 로그 곡선과 같이 완전히 무작위적이지 않은 함수들에 대해, 이 방법이 99.99% 이상의 정확도로 양자 상태를 준비할 수 있다는 것을 발견했습니다. 이러한 수준의 정밀도는 보통 수백만 단계가 필요한 것과 비교했을 때 획기적으로 줄어든 단 몇 백 단계의 회로 깊이를 사용하여 달성되었습니다. 연구진은 값이 급격히 변하는 불연속성이 있는 함수에 대해서도, 데이터의 전반적인 구조가 너무 혼돈스럽지만 않다면 이 방법이 견고하게 작동함을 보여주었습니다.

이 능력의 가장 놀라운 입증 사례는 실제 의료 영상이었습니다. 연구진은 폐 질환 진단에 사용되는 흉부 X선 데이터인 ChestMNIST 데이터셋에서 128x128 픽셀 이미지를 가져왔습니다. 그들은 단 14개의 큐비트를 사용하여 이 이미지를 양자 상태로 성공적으로 인코딩했습니다. 단 425개의 기본 연산으로 구성된 결과물인 양자 회로는 99.2% 이상의 충실도(fidelity)로 이미지를 재구성해 냈습니다. 이는 양자 상태가 원래의 의료 스캔과 거의 완벽하게 일치하는 복사본을 보유하고 있음을 의미합니다. 이 실험의 성공은 이 방법이 단순한 1차원 수학적 곡선뿐만 아니라 이미지와 같은 구조화된 2차원 데이터를 처리할 수 있음을 증명했다는 점에서 매우 중요합니다.

그러나 이 연구는 이 접근 방식의 한계 또한 명확히 규정하고 있습니다. 이 방법은 데이터의 서로 다른 부분 사이의 연결이 빠르게 감쇠하는 특정한 유형의 질서를 가지고 있어야 합니다. 연구진이 완전히 무작위인 데이터나 매우 복잡하고 구조가 없는 노이즈에 대해 이 방법을 테스트했을 때, 정확도는 크게 떨어졌습니다. 알고리즘은 밑바탕이 되는 패턴이 없는 정보를 마법처럼 압축할 수 없습니다. 데이터가 진정으로 혼돈스럽다면, 이를 표현하기 위한 양자 회로는 원래의 문제만큼이나 깊고 구축하기 어렵게 됩니다. 이 차이는 매우 중요합니다. 이 기술은 구조화된 데이터에는 강력한 도구이지만, 모든 종류의 정보에 대한 보편적인 해결책은 아닙니다.

또한 연구진은 최적화된 이 방법을 데이터를 로드하는 다른 알려진 기술들과 비교했습니다. 그들은 다른 방법들이 이론적으로는 동일한 정확도를 달-성할 수 있지만, 훨씬 더 깊은 회로를 요구하거나 현재의 하드웨어가 지원할 수 없는 임시 저장소 역할을 하는 추가적인 '보조(ancilla)' 큐비트가 필요하다는 것을 발견했습니다. 반면, 이 새로운 방법은 추가 큐로 없이 높은 정확도를 달성하며, 회로 깊이가 데이터 크기에 따라 선형적으로 확장되어 가까운 미래에 훨씬 더 실용적입니다. 연구진은 ChestMNIST 이미지에 대해 그들의 최적화된 접근 방식이 이론적인 '정확한(exact)' 방법과 동일한 수준의 정확도에 도달하면서도, 회로는 약 4배 더 얕았다고 언급했습니다.

광범한 맥락에서 이 연구는 양자 컴퓨팅 응용 분야를 향한 명확한 경로를 제시합니다. 이는 물리 방정식의 경계 조건을 설정하거나, 금융 시뮬레이션을 위한 확률 분포를 준비하거나, 머신러닝을 위해 이미지를 인코딩하는 것과 같이 구조화된 데이터를 다루는 작업에서 양자 컴퓨터가 예상보다 훨씬 빨리 유용해질 수 있음을 시사합니다. 높은 충실도를 가진 얕은 회로를 사용하여 데이터를 로드할 수 있는 능력은 많은 양자 알고리즘을 실제 하드웨어에서 테스트하는 것을 가로막았던 주요 장벽을 제거합니다. 이 방법이 완전히 구조가 없는 데이터를 로드하는 문제를 해결하지는 못할지라도, 과학자와 엔지니어들이 실제로 사용하는 대다수의 구조화된 데이터셋을 처리하기 위한 매우 효율적이고 자원 친화적인 방법을 제공합니다.

연구는 디스탠틀링(disentangling) 알고리즘과 후속 최적화의 결적인 결합이 현재의 양자 기술 시대에 다재다능한 도구를 만든다는 결론을 내립니다. 이는 연구자들이 상태 준비의 이론적 한계를 넘어 실제 데이터로 실질적인 실험을 시작할 수 있게 해줍니다. 128x128 이미지를 적은 수의 큐비트로 매우 높은 충실도로 인코딩할 수 있음을 보여줌으로써, 이 연구는 양자 컴퓨터가 어떻게 곧 의료 데이터나 금융 모델을 처리하는 데 사용될 수 있는지에 대한 구체적인 사례를 제시합니다. 이 연구 결과가 모든 양자 상태 준비 문제를 해결했다고 주장하는 것은 아니지만, 근접한 미래의 응용 분야에 가장 관련성이 높은 특정 클래스의 구조화된 문제들에 대해 신뢰할 수 있고 효율적이며 정확한 방법을 확립했다는 점은 분명합니다.