Classical simulation of noisy quantum circuits via locally entanglement-optimal unravelings
이 논문은 국소적 얽힘을 최소화하도록 최적화된 행렬 곱 상태(matrix product states)의 앙상블로부터 확률적으로 샘플링함으로써 임의의 단일 큐비트 노이즈를 가진 노이즈가 있는 양자 회로를 시뮬레이션하고, 이를 통해 얽힘 최소화 문제에 대한 정확한 폐쇄형 해법을 통해 엄격한 오차 경계와 기존 방법 대비 향상된 성능을 달성하는, 고도로 병렬화 가능한 텐서 네트워크 기반의 고전 알고리즘을 소개한다.
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
오늘날의 컴퓨터가 도달할 수 없는 문제를 해결할 수 있는 기계를 만들기 위한 경쟁 속에서, 과학자들은 기묘한 역설에 직면해 있습니다. 새로운 양자 컴퓨터가 진정으로 강력한지 이해하기 위해서, 그들은 먼저 일반적인 고전 컴퓨터로 그 동작을 시뮬레이션할 수 있어야 합니다. 이는 매우 어려운 작업인데, 양자 시스템은 본질적으로 매우 취약하기 때문입니다. 양자 시스템은 환경으로부터 끊임없이 공격을 받으며, 이로 인해 특수한 성질을 잃고 무질서해집니다. 이러한 노이즈(noise)는 유용한 양자 컴퓨터를 구축하는 데 있어 주요한 장애물이지만, 연구자들에게는 기묘한 기회를 제공하기도 합니다. 양자 시스템에 노이즈가 발생하면, 그 내부의 복잡성은 종종 단순해집니다. 양자 컴퓨터를 만들기 어렵게 만드는 바로 그 요소인 불가피한 오류의 존재가, 역설적으로 표준 노트북에서 모델링하는 것을 더 쉽게 만들 수 있습니다. 이는 이러한 노이즈가 섞인 양자 회로를 시뮬레이션하는 데 전념하는 성장하는 연구 분야로 이어졌으며, 이를 통해 과학자들이 고전적인 기계가 가능한 영역과 진정한 양자 우위가 시작되는 지점 사이의 경계를 매핑하는 데 도움을 주고 있습니다.
문제는 이러한 시뮬레이션이 어떻게 수행되느냐에 달려 있습니다. 양자 컴퓨터는 고전적인 컴퓨터처럼 단일하고 직선적인 경로를 따르지 않습니다. 대신, 가능성의 구름 속에 존재합니다. 이를 시뮬레이션하기 위해 연구자들은 종종 문제를 많은 가능한 "궤적(trajectories)", 즉 시스템이 취할 수 있는 개별적인 경로들로 분해한 다음, 이들을 함께 평균 내는 방식을 사용합니다. 그러나 시뮬레이션이 진행됨에 따라 이러한 경로의 수가 폭발적으로 증가할 수 있으며, 입자 간의 연결이 너무 얽히게 되어 시뮬레이션을 실행하는 컴퓨터의 메모리가 부족해질 수 있습니다. 바로 이 지점에서 베를린 자유 대학교와 다른 기관들의 시몬 치치(Simon Cichy)와 그의 동료들이 수행한 새로운 연구가 등장합니다. 그들은 시뮬레이션의 매 단계마다 양자 노이즈를 분해하는 가장 효율적인 방법을 선택함으로써 이 복잡성을 헤쳐 나가는 새로운 방법을 개발했습니다.
연구진은 행렬 곱 상태(matrix product state)라고 불리는 구조를 사용하는 특정 유형의 시뮬레이션에 집중했습니다. 이 구조를 양자 시스템에 대한 정보를 조직하는 방법이라고 상상해 보십시오. 이는 입자들이 서로 너무 깊게 연결되어 있지 않을 때 매우 효율적입니다. 노이즈가 입자에 가해지면, 이는 가능성의 혼합을 만들어냅니다. 연구진은 이러한 혼합을 수학적으로 기술하는 방법이 한 가지가 아니라는 점을 깨달았습니다. 이는 마치 동일한 확률 집합을 나타내기 위해 여러 가지 방식으로 섞을 수 있는 카드 한 벌과 같습니다. 기존의 방법들은 이러한 카드 덱을 섞는 표준적인 방법을 선택하거나, 더 나은 방법을 찾기 위해 시행착오 접근법을 사용했는데, 이는 느리고 최선의 결과를 보장하지 못했습니다. 치치와 그의 팀은 매 순간 카드를 섞는 절대적인 최선의 방법을 찾아내는 정밀한 수학적 규칙을 발견했습니다. 그들은 이 발견을 "국소적 얽힘 최적 언래블링(locally entanglement-optimal unraveling)"이라고 부릅니다.
이 규칙을 적용함으로써, 알고리즘은 양자 상태가 매 단계에서 가능한 한 단순하게 유지되도록 보장합니다. 구체적으로, 이는 노이즈가 섞인 입자와 나머지 시스템 사이의 "얽힘(entanglement)", 즉 깊은 연결을 최소화합니다. 이 연결이 낮게 유지되면 시뮬레이션은 훨씬 더 빠르게 실행될 수 있으며, 시스템이 중단되지 않고 더 큰 규모의 시스템을 다룰 수 있습니다. 연구진은 그들의 방법이 몇몇 단순한 유형뿐만 아니라 모든 유형의 단일 입자 노이즈에 대해 작동함을 증명했습니다. 그들은 자신들의 접근 방식이 단순히 추측이나 휴리스틱한 지름길이 아니라, 즉시 계산될 수 있는 수학적으로 정확한 솔루션임을 보여주었습니다. 이는 로컬 트랩(local trap)에 빠지거나 해를 찾는 데 오랜 시간이 걸릴 수 있는 수치적 최적화에 의존했던 이전 기술들에 비해 상당한 개선입니다.
그들의 아이디어를 테스트하기 위해, 연구진은 무작위 게이트를 포함하거나 특정 물리 법칙에 따라 진화하는 등 다양한 유형의 양자 회로에 대한 시뮬레이션을 실행했습니다. 그들은 자신들의 새로운 방법을 무작위 회로에 최적화된 방법이나 고정되고 변하지 않는 규칙을 사용하는 기존의 최선 기술들과 비교했습니다. 결과는 명확했습니다. 그들의 방법은 다른 대안들보다 일관되게 더 낮은 얽힘을 유지했습니다. 어떤 경우에는 이것이 시뮬레이션이 너무 복잡해져서 추적할 수 없게 되기 전까지 훨씬 더 높은 비율의 노이즈를 처리할 수 있음을 의미했습니다. 예를 들어, 무작위 회로 시뮬레이션에서 그들의 접근 방식은 무작위 상태를 위한 최고의 전문화된 방법만큼 성능이 좋았으면서도, 다른 방법들이 어려움을 겪는 더 구조화된 비무작위 시스템에서도 똑같이 잘 작동했습니다. 이는 그들의 기술이 좁은 범위의 해결책이 아니라, 넓은 양자 문제의 지형 전체에서 작동하는 견고한 도구임을 시사합니다.
또한 이 논문은 해당 분야의 흔한 질문, 즉 매 단계마다 최선의 국소적 선택을 하는 것이 실제로 전체적인 최선의 결과로 이어지는가에 대해서도 다룹니다. 저자들은 시뮬레이션의 전체 미래를 한꺼번에 최적화하기 위해 앞을 내다보는 것이 이상적이라는 점을 인정하지만, 그러한 전역적(global) 계산은 아주 작은 시스템을 제외하고는 계산적으로 불가능하다는 점을 언급합니다. 당장 다음 단계를 최적화하는 그들의 탐욕적(greedy) 접근 방식이 가장 실용적인 경로입니다. 흥-미롭게도, 그들은 시스템이 이미 고도로 무작위 상태에 있을 때, 고정된 비최적화 방법이 자신들의 동적 방법만큼이나 잘 수행되는 특정 사례들을 발견했습니다. 그러나 진폭 감쇠(amplitude damping)와 같은 특정 유형의 노이즈가 포함된 대부분의 다른 시나리오에서는 그들의 적응형 방법이 명확하고 측정 가능한 이점을 제공했습니다.
궁극적으로, 이 연구는 실제 양자 장치의 동작을 이해하기 위한 엄격하고 효율적인 도구를 제공합니다. 노이즈가 섞인 회로를 보장된 정확도와 감소된 계산 비용으로 시뮬레이션하는 방법을 제시함으로써, 연구자들은 양자 컴퓨터가 고전 컴퓨터보다 뛰어난 성능을 발휘할 수 있는 조건을 명확히 하는 데 도움을 주었습니다. 그들의 방법은 단순히 노이즈를 시뮬레이션하는 것이 아니라, 노이즈의 본질을 사용하여 문제를 단순화함으로써, 오류의 원인을 시뮬레이션을 실행 가능하게 만드는 특징으로 바꿉니다. 이러한 기여는 과학자들이 자신들의 고전적 시뮬레이션이 단순한 근사치가 아니라 수학적으로 최적화된 선택에 근거하고 있다는 확신을 가지고, 양자 우위의 한계를 탐구할 수 있게 해준다는 점에서 매우 중요합니다. 이 연구는 양자 컴퓨팅의 이론적 약속과, 그것을 구축하는 과정의 무질서하고 노이즈가 많은 현실 사이의 가교 역할을 하며, 앞으로 나아갈 길에 대한 더 명확한 전망을 제공합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.