⚛️ high-energy theory

Running Quantum Computers in Discovery Mode

이 논문은 하이브리드 양자-고전 학습 에이전트가 36큐비트 초전도 프로세서 상에서 '관심 함수(interest function)'를 최적화함으로써 이산 시간 결정(discrete time crystals) 및 이중 유니터리 회로(dual-unitary circuits)와 같은 중요한 다체 양자 현상을 자율적으로 발견할 수 있음을 입증한다.

원저자: Aydin Deger, Benedikt Placke, G. J. Sreejith, Alessio Lerose, S. L. Sondhi

게시일 2026-08-07

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Aydin Deger, Benedikt Placke, G. J. Sreejith, Alessio Lerose, S. L. Sondhi

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

거대한 어두운 도서관을 상상해 보세요. 그곳의 모든 책에는 우주가 가장 미세한 규모에서 어떻게 작동하는지에 대한 비밀 레시피가 담겨 있습니다. 수십 년 동안 과학자들은 재료를 추측하고 결과물이 제대로 나오기를 바라며 이 레시피를 손으로 직접 써 내려가려 노력해 왔습니다. 이것이 바로 양자 물리학의 세계입니다. 입자가 두 곳에 동시에 존재할 수 있고 일상적인 삶의 규칙이 해체되는 듯한 영역이죠. 이 레시피의 '재료'는 양자 회로(quantum circuits)라고 불립니다. 이는 양자 비트(또는 큐비트)가 어떻게 춤을 출지 알려주는 복잡한 명령 시퀀스입니다. 목표는 시간 결정(time crystals)이나 초고속 혼돈 시스템(super-fast chaotic systems)과 같이 새롭고 기이하며 유용한 물질의 상태를 만들어내는 특정한 춤을 찾아내는 것입니다. 하지만 가능한 춤의 가짓수가 너무 많아서(우주의 원자 수보다 더 많습니다), 하나씩 추측하는 것은 마치 해변에서 모래알 하나를 집어 올리며 특정 모래알 하나를 찾는 것과 같습니다. 너무 느릴 뿐만 아니라, 우리는 마법 같은 순간을 완전히 놓칠 수도 있습니다.

여기서 '발견 모드(discovery mode)'라는 개념이 등장합니다. 인간이 레시피를 추측하는 대신, 요리가 "흥미로운지"를 즉각적으로 판별할 수 있는 맛 테스터를 가진 로봇 요리사를 상상해 보세요. 로봇은 레시피를 조금씩 수정하고, 다시 맛을 보고, 다시 수정하며, 그 요리의 이름을 미리 알지 못하더라도 무엇이 그 요를 특별하게 만드는지 학습합니다. 이 논문은 바로 그 내용을 탐구합니다: 양자 컴퓨터를 단순히 우리가 이미 알고 있는 문제를 해결하는 데 사용하는 것이 아니라, 우리가 아직 상상조차 못한 것들을 찾아 나서는 데 사용하는 새로운 방법 말입니다. 연구진은 양자 컴퓨터(양자의 춤을 시뮬레이션하는 무거운 작업을 수행)와 고전적 컴퓨터(스마트한 학습 로봇 역할을 수행) 사이의 파트너십을 제안합니다. 이들은 함께 '관심 함수(interest function)'—결과가 얼마나 멋지거나 특이한지를 알려주는 점수—를 사용하여 양자 컴퓨터가 새로운 물리학을 발견하도록 유도합니다.

위대한 양자 보물찾기

이 논문의 저자인 옥스퍼드와 인도의 연구팀은 양자 컴퓨터를 사용하는 근본적으로 새로운 방법을 제안하고 있습니다. 그들은 이를 "발견 모드"라고 부릅니다. 이렇게 생각해 보세요. 보통 우리가 양자 컴퓨터를 사용할 때는 "여기에 특정 문제가 있으니 해결해 줘"라고 말합니다. 하지만 발견 모드에서는 컴퓨터에게 "무엇이 '멋진 것'인지에 대한 막연한 아이디어를 줄 테니, 스스로 그것을 찾아봐"라고 말하는 것입니다.

이를 위해 그들은 두 종류의 컴퓨터 사이에 피드백 루프를 설정했습니다. 양자 컴퓨터는 탐험가입니다. 이 컴퓨터는 특정 양자 회로(일련의 연산 과정)를 실행하고 입자들이 어떻게 행동하는지에 대한 방대한 데이터를 생성합니다. 고전적 컴퓨터는 탐정입니다. 이 컴퓨터는 데이터를 살펴보고 '관심 함수'라고 불리는 점수를 계산한 뒤, 양자 컴퓨터에 설정을 어떻게 미세 조정해야 더 높은 점수를 얻을 수 있는지 알려줍니다. 목표는 수학 방정식을 푸는 것이 아닙니다. 통계적으로 '흥미롭거나' 특이한 결과를 만들어내는 회로를 찾는 것입니다.

연구진은 이 아이디어를 서로 다른 정의의 '멋짐'을 가진 두 가지 관심 함수로 테스트했습니다.

1. 클러스터링 탐정: 시간 결정을 찾아서

"흥미롭다"는 첫 번째 정의는 **클러스터링(군집화)**에 기반합니다. 공이 튀어 오르는 긴 영상을 상상해 보세요. 만약 공이 무작위로 튀어 오른다면, 그 패턴은 지루하고 예측하기 어렵습니다. 하지만 만약 공이 일반적인 에너지 손실 법칙을 거스르며 완벽하고 반복적인 리듬에 맞춰 튀어 오른다면, 그것은 특별한 것입니다.

양자 세계에서 연구진은 컴퓨터에게 일련의 상태들(시간에 따른 양자 시스템의 스냅샷)을 관찰하고, 이들이 두 개의 뚜렷한 그룹으로 쉽게 분류될 수 있는지 확인하라고 요청했습니다. 만약 상태들이 서로 뒤섞여 있다면 '관심 점수'는 낮습니다. 하지만 상태들이 자연스럽게 두 개의 명확하고 분리된 클러스터로 떨어진다면 점수는 높습니다.

그들은 최대 36개의 큐비트를 가진 실제 양자 프로세서에서 이를 테스트했습니다. 컴퓨터에는 조절할 수 있는 노브(자기장 강도와 같은 매개변수)가 달린 회로가 주어졌습니다. 고전적 에이전트는 클러스터링 점수를 극대화하기 위해 계속해서 노브를 돌렸습니다. 결과는 어땠을까요? 컴퓨터는 거의 자동으로 **이산 시간 결정(Discrete Time Crystal, DTC)**을 발견했습니다.

DTC는 시간 속에서 진동하는 기이한 물질 상태로, 마치 자신을 밀어내는 힘보다 절반의 속도로 똑딱거리는 시계와 같습니다. 이는 불과 몇 년 전 이론적으로만 예측되었던 물질의 한 형태입니다. 놀라운 점은 컴퓨터가 DTC가 무엇인지 몰랐다는 것입니다. 단지 시스템이 DTC처럼 행동할 때 '클러스터링' 점수가 가장 높다는 것을 알았을 뿐입니다. 연구진은 컴퓨터가 높은 확률로 이러한 시간 결정을 만들어내도록 회로를 성공적으로 튜닝했음을 발견했으며, 이는 이 "발견 모드"가 실제 노이즈가 있는 하드웨어에서도 작동함을 증명합니다.

2. 혼돈 사냥꾼: 이중 유니터리 회로를 찾아서

두 번째 "흥미로움"의 정의는 **혼돈(chaos)**에 관한 것이었습니다. 물리학에서 어떤 시스템은 너무 예측 가능하고(진자처럼), 어떤 시스템은 너무 혼란스러워 무작위 소음처럼 보이기도 합니다. 하지만 "이중 유니터리(dual-unitary)"라고 불리는 아주 특별하고 드문 종류의 혼돈이 있습니다. 이는 시스템이 최대한 혼돈스러우면서도 여전히 엄격하고 아름다운 수학적 규칙을 따르는 상태입니다.

이를 찾기 위해 연구진은 회로의 **스펙트럼 특성(spectral properties)**에 기반한 다른 관심 함수를 사용했습니다. 회로를 하나의 악기라고 상상해 보세요. '스펙트럼'은 그 악기가 낼 수 있는 음들의 집합입니다. 만약 음들이 무작위라면 그 음악은 소음입니다. 만약 음들이 완벽하게 간격을 두고 있다면 단순한 선율입니다. 하지만 "이중 유니터리" 회로는 혼돈스럽게 들리지만 숨겨진 완벽한 구조를 가진 교향곡과 같습니다.

연구진은 정확한 측정을 위해 너무 많은 데이터가 필요했기 때문에 이 특정 탐색을 실제 양자 컴퓨터에서 실행할 수는 없었습니다. 대신, 그들은 "발견 모드"가 작동할지 확인하기 위해 고전적 컴퓨터에서 시뮬레이션을 수행했습니다. 그들은 가상의 양자 컴퓨터를 만들고 학습 에이전트가 스펙트럼의 '노이즈'를 최소화하는 회로를 찾도록 했습니다.

시뮬레이션 결과는 에이전트가 회로를 "이중 유니터리" 설정으로 성공적으로 유도할 것임을 시사했습니다. 탐색의 지형은 '오목(concave)'했는데, 이는 가장 흥미로운 회정(정점)으로 가는 명확한 경로가 존재함을 의미합니다. 아직 물리적으로 칩 위에 구현하지는 않았지만, 수학적 근거는 이들이 시도한다면 컴퓨터가 이러한 특수한, 최대한 혼돈스러운 회로를 찾아낼 것임을 강력하게 시사합니다.

이것이 왜 중요한가

핵-심적인 결론은 우리가 무엇을 찾고 있는지 정확히 알지 못해도 그것을 찾을 수 있다는 것입니다. "분류할 수 있는가?" 또는 "혼돈에 구조가 있는가?"와 같이 무엇이 "흥미로운지"에 대한 간단한 규칙을 정의함으로써, 우리는 양자 컴퓨터와 AI가 협력하여 새로운 물리학 법칙을 밝혀내도록 할 수 있습니다.

이 논문은 이러한 접근 방식이 실현 가능하다는 것을 보여줍니다. 연구진은 시간 결정을 찾는 데 있어 실제 36큐비트 장치에서 이 방식이 작동함을 증명했으며, 이중 유니터리 회로를 찾는 데 있어서도 시뮬레이션을 통해 작동할 것임을 시사했습니다. 그들이 모든 것을 찾아냈다고 주장하는 것이 아니라, 새로운 길을 보여준 것입니다. 인간이 다음의 거대한 발견을 추측하는 대신, 우리는 양자 컴퓨터의 독특한 힘을 사용하여 광활하고 미개척된 양자의 영토를 탐험하는 '사냥 시스템'을 구축할 수 있습니다. 이것은 컴퓨터에게 우리의 숙제를 대신 해달라고 요청하는 것에서, 과학 교과서의 다음 장을 쓰는 데 도움을 달라고 요청하는 것으로의 패러다임 전환입니다.

기술 요약: 발견 모드(Discovery Mode)에서의 양자 컴퓨터 구동

문제 정의

양자 하드웨어가 "물리적 메가쿼프(physical megaquops)"(약 1000개의 큐비트와 깊이 1000을 가진 장치)를 향해 급격히 확장됨에 따라 근본적인 과제가 발생하고 있습니다: 어떻게 하면 가능한 양자 회로의 방대한 공간( $\sim 10^{105.8}$ 개의 서로 다른 회로)을 효과적으로 탐색하여 이 장치들을 활용할 것인가 하는 점입니다. 전통적인 접근 방식은 디지털 양자 컴퓨팅(오류 수정 필요)이나 아날로그 양자 시뮬레이션(사전 정의된 모델 조사) 중 하나에 의존합니다. 본 논문은 **"발견 모드(discovery mode)"**라 명명된 제3의 패러다임을 제안합니다. 여기서 목표는 특정 물리적 실현에 대한 사전 지식 없이, "흥미로운" 역학을 보이는 회로의 사례를 찾는 것입니다.

확인된 핵심 과제는 다음과 같습니다:

무엇이 "흥미로운" 회로 인스턴스를 구성하는지 정의하는 것.
변분 양자 알고리즘(VQA)에서 흔히 발생하는 최적화 신호가 지수적으로 사라지는 "배런 플레이토(barren plateau)" 문제를 피하면서, 이러한 인스턴스를 효율적으로 식별하는 절차를 수립하는 것.
작은 시스템에서 더 크고 복잡한 시스템으로 탐색을 조직화하는 것.

방법론

제안된 프레임워크는 양자 프로세서를 고전적 머신러닝 에이전트와 결합하여 폐쇄 루프 피드백 시스템(그림 1 참조)을 구축합니다.

관심 함수(Interest Functions): 핵심 구성 요소는 유니터리 회로 $U$ (및 특정 상태에 대한 작용)를 스칼라 값으로 매핑하는 "관심 함수" $f(U)$ 의 정의입니다. 이 함수는 역학의 "흥미로움"을 정량화합니다.
하이브리드 최적화 루프:
- 양자 프로세서는 매개변수화된 회로를 실행하여 데이터(측정 결과)를 생성합니다.
- 고전적 에이전트는 이 데이터를 바탕으로 관심 함수를 평가하고, $f(U)$ 를 최대화하기 위해 최적화 알고리즘(예: COBYLA, Nelder-Mead)을 사용하여 회로의 매개변수를 업데이트합니다.
커리큘럼 학습(Curriculum Learning): 확장성과 최적화 지형 문제를 해결하기 위해, 탐색은 커리큘럼 방식으로 조직됩니다. 즉, 작은 시스템과 제한된 회로 군(family)에서 시작하여, 학습된 매개변수를 점진적으로 더 큰 시스템으로 전이합니다.

본 논문은 두 가지 뚜렷한 예시를 통해 이 접근 방식을 검증합니다.

예시 1: 이산 시간 결정(Discrete Time Crystals, DTCs)의 발견

관심 함수: 상태의 시계열 $S = \{U^t|\psi\rangle\}$ $S = {U^{t} ∣ ψ ⟩}$ 에 대한 **이진 분류 가능성(binary classifiability)**에 기반합니다.
- 상태는 클래식 섀도우(classical shadows)(무작위 파울리 측정)를 사용하여 표현됩니다.
- 차원은 **커널 주성분 분석(Kernel PCA)**을 통해 축소됩니다.
- 축소된 데이터에 **계층적 응집 클러스터링(HAC)**이 적용됩니다. "흥미로움"은 덴드로그램(dendrogram)에서 마지막으로 병합되는 두 클러스터 사이의 거리로 정의됩니다. 큰 간격은 뚜렷하고 열적 평형에 도달하지 않는 클러스터(즉, 높은 분류 가능성)를 나타냅니다.
구현: 플로케(Floquet) 유니터리 회로(Kicked Ising 모델)를 사용하여 IBM 초전도 양자 프로세서(12, 24, 36 큐비트)에서 실행되었습니다.
최적화: 횡방향 자기장 강도 $\{h_i\}$ 와 이싱 결합 $\{J_i\}$ 를 튜닝하기 위해 그래디언트 프리(gradient-free) 최적화 도구인 COBYLA가 사용되었습니다.

예시 2: 듀얼 유니터리(Dual-Unitary) 회로의 발견

관심 함수: 유니터리 $U$ $U$ 의 스펙트럼 특성, 특히 $U$ $U$ 의 거듭제곱의 트레이스(trace)의 변동을 최소화하는 것에 기반합니다. 즉, $z_t(U) = \text{tr}(U^t)/D$ $z_{t} (U) = tr (U^{t}) / D$ 입니다.
- 이는 양자 카오스의 프로브인 **스펙트럴 폼 팩터(Spectral Form Factor, SFF)**와 관련이 있습니다.
- 관심 함수는 다양한 $t$ 에 대해 $|z_t(U)|$ 를 최소화하는 것을 목표로 하는 음의 포텐셜 $f(U) = -\sum V_t(z_t(U))$ 로 구성됩니다.
구현: 지형을 매끄럽게 하기 위한 Haar-무작위 단일 큐비트 게이트의 평균 계산 비용 때문에, $n=14$ 큐비트 시스템까지 클래식하게 시뮬레이션되었습니다.
목표: 극한의 스펙트럼 상관관계(최대 카오스 행동)를 가지며 섭동에 강한 회로를 찾는 것입니다.

주요 결과

1. 이산 시간 결정(DTC)의 발견

실험적 검증: 36-큐비트 장치에서 관심 함수는 DTC 상(phase)을 성공적으로 식별했습니다. 평균 킥 강도 $\langle h \rangle$ 가 $\pi/2$ 를 향해 튜닝됨에 따라 관심 함수가 정점에 도달했으며, 이는 주기 배가(period-doubled) 질서의 출현에 해당합니다.
최적화 성공: 24-큐비트 최적화 실행에서 에이전트는 DTC와 유사한 구성을 자율적으로 수렴시켰습니다.
- 한 실행에서는 $h \approx 0$ 인 지점들에 의해 분리된 불연속적인 DTC 영역을 가진 "이봉형(bimodal)" 프로파일을 생성했습니다.
- 또 다른 실행에서는 $h \approx \pi/2$ 인 벌크(bulk)를 가진 크고 일관된 DTC를 형성하며 더 높은 관심 점수를 달성했습니다.
확장성: 관심 함수는 DTC 상에서 시스템 크기 $n$ 에 독립적인 강도(intensive)를 갖지만, 관찰 창 $T$ 에 대해서는 $\sim \sqrt{T}$ 로 스케일링됩니다. 사소한(trivial) 상에서 이 함수는 작고 $T$ 에 대한 의존성이 약했습니다.
일반화: 더 일반적인 회로 군( $Z_2$ 대칭성이 없는 경우)에 대한 시뮬레이션에서도, 분류 가능성을 최대화하는 것이 일관되게 시스템을 $Z_2$ 대칭 DTC 구성으로 유도하여 상호작용과 회전 축의 직교성을 회복함을 보여주었습니다.

2. 듀얼 유니터리 회로의 발견

지형 분석: 수치 시뮬레이션 결과, 스펙트럼 최소화를 위한 관심 지형은 국소적으로 오목(concave)함이 드러났습니다.
수렴: 매개변수화된 브릭워크(brickwork) 회로는 매개변수가 듀얼 유니터리 조건( $J_x = J_y = J_z = \pi$ )을 만족하는 부분 다양체(submanifold)를 향해 최적화됩니다.
유한한 깊이의 제약에도 불구하고, 이 극댓값은 완전 무작위 유니터리(Circular Unitary Ensemble)의 이론적 값과 일치합니다. 지형은 듀얼 유니터리 회로가 역 "도메인 벽 텐션(domain-wall tension)" $\tau = 0$ 으로 특징지어지는 이 관심 함수의 견고한 끌개(attractor)임을 시사합니다.
실행 가능성: 직접적인 SFF 측정은 대규모 시스템에서 샘플 복잡도 제한이 있으나, 본 논문은 **부분 스펙트럴 폼 팩터(partial SFF, pSFF)**가 이 발견 프로토콜을 위한 더 효율적인 대리 지표(proxy)가 될 수 있음을 언급합니다.

의의 및 주장

본 논문은 인간의 직관과 특정 이론적 통찰력을 통해 식별되었던 현상들을, 최소한의 결과 인코딩만으로 자율적으로 찾아내는 하이브리드 클래식-양자 시스템으로서 "발견 모드"의 첫 번째 시연을 제공한다고 주장합니다.

패러다임 전환: 이 연구는 관심 함수의 설계가 다체 물리(many-body physics)의 주요 활동임을 확립하며, 알려진 해밀토니안을 시뮬레이션하는 것에서 미지의 흥미로운 역학을 탐색하는 것으로 초점을 전환합니다.
자율성: 양자 자원에 접근할 수 있는 학습 에이전트가 (DTC, 듀얼 유니터리와 같이) 이전에 인간의 직관에 의해 식별되었던 현상들을 발견할 수 있음을 결과는 보여줍니다.
확장성: "커리큘럼" 접근 방식(작은 시스템에서 큰 시스템으로 매개변수 전이)은 배런 플레이토를 극복하고 발견을 더 큰 장치로 확장하기 위한 실행 가능한 전략으로 제안됩니다.
반사실적 검증(Counterfactual Validation): 듀얼 유니터리 발견은 시뮬레이션을 통해 검증되었으나(현재 하드웨어 제한 때문), DTC 발견은 실제 노이즈가 있는 하드웨어에서 실험적으로 검증되어 프로토콜의 실현 가능성을 입증했습니다.
미래 전망: 저자들은 이 접근 방식이 새로운 물질의 상(phase)과 논리 게이트의 발견으로 이어질 것으로 기대하며, 최첨단 양자 플랫폼과 강력한 클래식 인프라를 결합한 다체 물리학을 위한 "CERN 같은 시설"을 구상하고 있습니다.

결론적으로, 현재의 예시들이 일부 대상에 대해서는 반사실적 검증 역할을 할지라도, 이 접근 방식은 견고하며 고차원 데이터를 생성하여 새로운 물리학을 발견하기 위한 매력적인 경로를 제공합니다.