Non-Markovianity and memory enhancement in Quantum Reservoir Computing

당신이 로봇에게 이야기를 들려주는 법을 가르치려 한다고 상상해 보십시오. 이를 제대로 수행하려면, 로봇은 단순히 방금 들은 문장만을 기억하는 것이 아니라, 열 페이지 전의 반전까지도 기억할 수 있는 메모리가 필요합니다. 인공지능의 세계에서 이것을 "메모리(기억)"라고 부르며, 이는 언어, 음악, 또는 날씨 패턴과 같이 시간에 따라 변하는 데이터를 이해하는 데 있어 핵심적인 비결입니다. 수십 년 동안 과학자들은 이를 처리하기 위한 디지털 두뇌를 구축해 왔지만, 이들은 에너지를 많이 소모하며 규모를 키우기가 어렵습니다. 여기에 **양자 레저보어 컴퓨팅(Quantum Reservoir Computing)**이 등장합니다. 이는 작은 양자 입자(큐비트)를 정보의 "레저보어(저장소)"로 사용하는 방식입니다. 이 레저보어를 소용돌이치는 물웅덩이라고 생각해 보십시오. 돌 하나(입력)를 떨어뜨리면, 그로 인해 발생하는 파동(시스템의 상태)이 정보를 앞으로 전달합니다. 목표는 이 파동을 읽어 다음에 어떤 일이 일어날지 예측하는 것입니다.

하지만 이러한 양자 웅덩이가 작동하는 방식에는 함정이 있습니다. 대부분의 설계는 "마르코프적(Markovian)" 역학에 의존하는데, 이는 시스템이 매우 짧은 주의 집중 시간을 가지고 있다는 것을 의미하는 세련된 표현입니다. 마치 새로운 물방울이 표면에 닿는 순간 모든 것을 잊어버리는 금붕치와 같습니다. 이러한 시스템에서 과거에 대한 정보는 허리케인 속에서 사라지는 속삭임처럼 매우 빠르게 사라집니다. 이 논문은 커다란 질문을 던집니다: 우리가 양자 레저보어에게 더 긴 기억력을 가르칠 수 있을까? 우리가 밀리초 전의 돌이 아니라, 10초 전의 돌을 기억하게 만들 수 있을까? 그 답은 **비마르코프성(non-Markovianity)**이라 불리는 현상에 있으며, 여기서 시스템의 미래는 현재의 상태뿐만 아니라 전체 이력에 의존하여 정보가 과거로부터 다시 "흘러 들어올" 수 있게 됩니다.

---

금붕치 vs. 시간 여행하는 메아리

이 연구에서 스페인 IFISC의 연구진은 현재 양자 컴퓨터의 "금붕치" 같은 기억력이 단순한 버그가 아니라 근본적인 한계임을 증명하고자 했습니다. 그들은 시스템이 오직 현재만을 바라보는 표준적인 양자 레저보어(마르코프적 모델)에서는 과거 입력을 기억하는 능력이 기하급수적으로 소멸한다는 것을 보여주었습니다. 이는 마치 레저보어에 아주 빠른 속도로 판을 지워버리는 내장된 지우개가 있는 것과 같습니다. 만약 레저보어에게 오래전의 패턴을 회상하도록 요청한다면, 그것은 단순히 할 수 없습니다. 정보가 증발해 버렸기 때문입니다.

하지만 연구팀은 문제를 지적하는 데서 멈추지 않았습니다. 그들은 비마르코프적 역학을 도입함으로써 이 기하급수적 쇠퇴를 깨뜨릴 수 있음을 입증했습니다. 레저보어가 단순히 파동이 사라지게 두는 것이 아니라, 사라져 가는 파동을 붙잡아 다시 웅덩이로 보내는 숨겨진 메커니즘을 가진 상황을 상상해 보십시오. 이 "정보의 역류"는 시스템이 먼 과거의 입력과 상관관계를 유지할 수 있게 하여, 결과적으로 양자 컴퓨터에 초장기 기억력을 부여합니다.

"잔차(Residual)" 트릭: 양자 메아리 방

이것이 작동함을 증명하기 위해, 저자들은 먼저 **양자 잔차 레저보어(Quantum Residual Reservoir)**라고 부르는 이론적 모델을 구축했습니다. 이것을 고전 AI의 "잔차 네트워크(residual network)"의 양자 버전이지만 약간의 변형이 가해진 것이라고 생각하십시오. 그들의 설정에서, 특정 순간의 레서보어 상태는 단지 현재의 입력에 의해서만 결정되는 것이 아니라, 특정 과거 시점의 상태와 혼합되어 결정됩니다.

그들은 "사라지는 기억" 창(금붕치 부분)과 "지연된 부활"(시간 여행 부분)을 가진 시스템을 시뮬레이션했습니다. 시스템이 10단계 전의 특정 입력을 기억해야 하는 과제를 테스트했을 때, 결과는 놀라웠습니다. 과거를 잊어버리는 표준 마르코프 버전에서는 몇 단계만 지나도 해당 입력을 회상하는 능력이 거의 제로로 떨어졌습니다. 그러나 비마르코프 버전에서는 기억 용량이 단순히 사라지는 것이 아니라 부활했습니다. 프로그래밍된 특정 시간 지연(10단계)에서, 시스템은 갑자기 입력을 다시 "기억"해 냈고, 성능의 급격한 상승을 보여주었습니다. 이는 비마르코프성이 단기 및 장기 집중 모두를 필요로 하는 특정 작업에 대해 기억을 다시 켜는 스위치 역할을 할 수 있음을 증명했습니다.

"임베디드(Embedded)" 접근법: 메모리 다이얼 조절하기

논문의 두 번째 부분은 순수 이론에서 더 실용적이고 실험 친화적인 설계로 넘어갑니다. 여기서 그들은 임베딩 방법을 사용했습니다. 메인 레저보어가 작은 방이라면, 그들은 여기에 "기억의 방"(보조 큐비트)을 부착한다고 상상해 보십시오. 시스템이 업데이트될 때마다, 이 기억의 방과 일부 정보를 교환합니다.

이 설계의 탁월함은 **$\Omega$ (오메가)**라고 불리는 조절 가능한 다이얼에 있습니다.

• $\Omega = 1$로 설정하면, 매 타임 스텝마다 기억의 방이 깨끗이 비워집니다. 시스템은 표준 금붕치처럼 행동하며, 기억은 빠르게 사라집니다.
• $\Omega = 0$으로 설정하면, 기억의 방은 자신의 상태를 완벽하게 유지하여 과거와의 강력한 연결을 만듭니다.
• $\Omega$를 중간 값(예: 0.5)으로 설정하면, 정보가 양방향으로 흐르는 제어된 흐름을 얻을 수 있습니다.

연구팀은 이 설정을 맥키-글래스(Mackey-Glass) 급수라고 알려진 혼돈스러운 시계열 예측 과제에 테스트했습니다. 이는 미래가 현재와 먼 과거의 복잡한 혼합에 의존하는 매우 어려운 퍼즐입니다. 시뮬레이션을 실행한 결과는 다음과 같습니다:

• 완전히 마르코프적인 버전($\Omega = 1$)은 어려움을 겪었으며, 평균 제곱 오차 $1.8 \cdot 10^{-2}$를 기록했습니다.
• 다이얼이 조절된 비마르코프 버전($\Omega = 0.5$)은 훨씬 더 나은 성능을 보이며 오차를 $6.8 \cdot 10^{-3}$로 줄였습니다.
• 흥로하게도, 최대 비마르코프성을 가진 버전($\Omega = 0$)은 조절된 버전보다 오히려 성능이 떨어졌으며, $2 \cdot 10^{-2}$의 오차를 보였습니다.

이 마지막 지점이 매우 중요합니다: 너무 많은 기억을 갖는 것이 항상 더 좋은 것은 아닙니다. 시스템은 적절한 균형이 필요합니다. "완벽한" 기억이란 단순히 모든 것을 영원히 기억하는 것이 아니라, 적절한 양의 정보가 적절한 시점에 다시 흘러 들어오게 하는 것입니다. 시뮬레이션은 적당한 수준의 비마르코프성이, 레저보어가 자신의 이력에 의해 혼란을 겪지 않으면서도 복잡하고 장기적인 상관관계를 처리할 수 있는 최적의 지점(sweet spot)을 만든다는 것을 시사합니다.

이것이 왜 중요한가

이 논문은 비마르코프성이 단순한 물리적 특이점이 아니라, 양자 머신러닝을 위한 필수적인 자원이라고 결론짓습니다. 표준 모델의 "금붕치" 같은 기억에서 벗어남으로써, 우리는 예측 가능한 날씨 패턴이나 복잡한 언어 구조를 이해하는 것과 같이 장기적인 맥락을 필요로 하는 작업에 더 적합한 양자 컴퓨터를 구축할 수 있습니다.

연구진은 이것이 단순히 양자 컴퓨터를 더 크게 만드는 것(이는 대개 기억의 소멸을 늦출 뿐입니다)에 관한 것이 아니라고 강조합니다. 대신, 메모리의 본질 자체를 바꾸는 것에 관한 것입니다. 그들은 열린 양자 시스템에서의 자연스러운 정보 "역류"를 활용함으로써, 마르코프적 상대 모델보다 뛰어난 성능을 보이는 레저보어를 만들 수 있음을 보여주었습니다. 현재 결과는 수치 시뮬레이션과 이론적 모델에 기반하고 있지만, 이러한 시스템을 구축하는 길은 명확합니다: 보조 큐비트와 제어된 상호작용을 사용하여 메모리 다이얼을 조절하는 것입니다. 이는 데이터를 단순히 처리하는 것을 넘어, 진정으로 기억하는 차세대 양자 신경망의 문을 열어줍니다.