Who can compete with quantum computers? Lecture notes on quantum inspired… — 쉬운 설명

원저자: Xavier Waintal, Chen-How Huang, Christoph W. Groth

게시일 2026-06-15

📖 4 분 읽기🧠 심층 분석

원저자: Xavier Waintal, Chen-How Huang, Christoph W. Groth

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

이 논문 "누가 양자 컴퓨터와 경쟁할 수 있는가? 양자 영감을 받은 텐서 네트워크에 관한 강의 노트"의 설명을 일상적인 언어와 비유를 사용하여 번역한 내용입니다.

핵심 아이디어: "불가능한" 도서관

당신에게 $2^{50}$ 권의 책이 있는 도서관이 있다고 상상해 보세요(이는 당신 몸속의 원자 수보다 많은 양입니다). 양자 컴퓨터는 이 책들을 믿을 수 없을 정도로 빠르게 훑어볼 수 있도록 설계된 마법 같은 기계입니다. 하지만 함정이 있습니다. 한 번에 도서관 전체를 읽을 수는 없습니다. 당신은 한 번에 한 권의 책만 살짝 엿볼 수 있습니다("샘플링").

이 논문은 도발적인 질문을 던집니다: 일반적인 구식 컴퓨터(고전적 슈퍼컴퓨터)가 이 마법 같은 양자 기계와 똑같은 일을 할 수 있을까요?

보통 대답은 "아니오"입니다. 왜냐하면 도서관이 너무 커서 메모리에 다 담을 수 없기 때문입니다. 하지만 저자들은 이러한 "도서관"들이 사실 숨겨진 비밀을 가지고 있다고 주장합니다. 그것들은 사실 무작위적인 혼돈이 아닙니다. 그것들은 프랙탈이나 패턴처럼 단순하고 반복적인 구조를 가지고 있습니다. 만약 그 패턴을 안다면, 모든 책을 일일이 저장할 필요가 없습니다. 대신 그 책들을 만드는 데 필요한 '설명서'만 저장하면 됩니다.

이 논문은 **텐서 네트워크(Tensor Networks)**라는 도구를 사용하여 이러한 패턴을 찾는 방법을 가르쳐 줍니다.

주요 도구: "레고" 방식 (텐서 네트워크)

저자들은 텐서 네트워크라고 불리는 수학적 기법을 소개합니다. 거대하고 복잡한 3D 물체(예: 거대한 조각상)가 하나의 양자 상태를 나타낸다고 생각해 보세요.

문제점: 전체 조각상을 한꺼번에 설명하려면 수십억 개의 숫자가 필요합니다.
해결책 (텐서 네트워크): 전체를 설명하는 대신, 이를 작고 단순한 레고 블록으로 나눕니다.
- MPS (행렬 곱 상태): 이것은 일련의 레고 블록 체인과 같습니다. 각 블록은 다음 블록과 연결됩니다. 만약 조각상이 너무 "꼬여(얽혀)" 있지 않다면, 단 몇 개의 작은 블록만으로 전체를 다시 만들어낼 수 있습니다.
- MPO (행렬 곱 연산자): 이것은 레고 설명서나 도구와 같아서, 조각상을 어떻게 변화시킬지(양자 회로의 게이트처럼) 알려줍니다.

논문은 많은 문제에 대해 전체 수십억 개의 숫자가 있는 도서관이 필요하지 않다는 것을 보여줍니다. 대신 레고 블록의 체인만 있으면 됩니다. 이를 통해 일반 컴퓨터는 양자 컴퓨터가 하는 일을 훨씬 더 빠르고 적은 메모리를 사용하여 시뮬레이션할 수 있습니다.

"마법 같은" 학습 알고리즘 (TCI)

이 논문의 가장 멋진 부분 중 하나는 **텐서 교차 보간(Tensor Cross Interpolation, TCI)**이라 불리는 알고리즘입니다.

비유: 당신이 숨겨진 산맥의 모양을 추측하려고 한다고 상상해 보세요. 전체를 볼 수는 없지만, 가이드에게 "이 특정 지점의 높이가 얼마인가요?"라고 물어볼 수는 있습니다.
작동 방식: 모든 지점에 대해 묻는 대신(그러면 시간이 너무 오래 걸릴 것입니다), TCI는 똑똑한 탐정처럼 행동합니다. 전략적인 몇몇 지점에 대해서만 질문하여 패턴을 파악한 다음, 나머지 부분을 채워 넣습니다.
결과: 아주 적은 양의 데이터만 보고도 복잡한 함수(예: 파동이나 열 분포)의 모양을 학습할 수 있습니다. 이는 "블랙박스" 문제를 컴퓨터가 쉽게 다룰 수 있는 레고 설명서(MPS) 세트로 변환합니다.

"퀀틱스(Quantics)" 기술: 확대 및 축소

이 논문은 물리 방정식(열의 확산이나 파동의 이동 등)을 풀기 위한 **퀀틱스(Quantics)**라는 개념을 도입합니다.

비유: 한 국가의 지도를 상상해 보세요. 보통은 국가 전체를 한꺼번에 봅니다. 하지만 도시를 확대하고, 그다음엔 거리, 그다음엔 집까지 동시에 확대해서 볼 수 있다면 어떨까요?
기술: 저자들은 숫자를 이진수(0과 1)로 표현합니다. 첫 번째 비트는 당신이 국가의 왼쪽 혹은 오른쪽에 있는지(큰 규모)를 알려줍니다. 다음 비트는 그 측면의 북쪽인지 남쪽인지(중간 규모)를 알려줍니다. 마지막 비트는 당신의 집 왼쪽인지 오른쪽인지(미세한 규모)를 알려줍니다.
도움이 되는 이유: 데이터를 이런 방식으로 배열함으로써, 컴퓨터는 "큰 규모"의 변화와 "미세한 규모"의 변화가 서로 독립적이라는 것을 알게 됩니다. 이로 인해 "레고 체인(MPS)"이 매우 짧아지고 계산하기 쉬워집니다.
결과: 이들은 일반적인 노트북으로 수조 개의 지점이 있는 격자 위에서 방정식을 풀 수 있습니다. 일반적인 컴퓨터는 그 많은 지점을 메모리에 담으려다 크래시(오류)가 나겠지만, "퀀틱스" 레고 기술은 이를 관리 가능한 수준으로 압축합니다.

"양자 우위(Quantum Supremacy)"에 대한 현실 점검

이 논문은 유명한 "양자 우위" 실험(기업들이 자신들의 양자 컴퓨터가 고전 컴퓨터로는 불가능한 일을 해냈다고 주장하는 실험)에 대해 논의합니다.

논문의 관점: 저자들은 이러한 과장된 광고에 회의적입니다. 그들은 그러한 실험들이 "무작위 노이즈"(패턴이 없는 혼돈 상태)를 만들어내도록 설계되었다고 주장합니다. 당연히 고전 컴퓨터는 무작위 노이즈를 시뮬레이션하는 데 어려움을 겪습니다!
함정: 만약 양자 컴퓨터가 유용한 일(예: 화학 반응이나 특정 물질 시뮬레이션)을 하고 있다면, 그 상태는 대개 많은 구조를 가지고 있습니다. 논문은 고전 컴퓨터가 이러한 레고 기술을 사용하면 유용한 양자 상태들을 매우 잘 시뮬레이션할 수 있음을 보여줍니다.
판결: 양자 컴퓨터는 모든 것을 해결하는 마법 지팡이가 아닙니다. 그것은 특정한 도구입니다. 만약 문제가 "낮은 계수(low-rank)" 구조(단순한 레고 패턴)를 가지고 있다면, 고전 컴퓨터가 종종 양자 컴퓨터를 이길 수 있습니다.

무엇을 했는지에 대한 요약

기초 교육: 거대한 수학 문제를 작고 연결된 조각들로 분해하는 방법(텐서 네트워크)을 가르쳤습니다.
양자 컴퓨터 시뮬레이션: 회로가 너무 혼란스럽지만 않다면 수백 개의 큐비트를 처리할 수 있는 "가상" 양자 컴퓨터를 일반 노트북에 구축했습니다.
학습 도구(TCI) 도입: 단 몇 개의 데이터 포인트만 엿봄으로써 문제의 모양을 컴퓨터에게 가르치는 방법을 제시했습니다.
실제 물리 문제 해결: 이 도구들을 사용하여 일반적인 워크스테이션에서는 불가능해 보이는 엄청나게 큰 격자 위에서 복잡한 방정식(열 흐름 및 파동 방정식 등)을 풀었습니다.

결론

이 논문은 고전 컴퓨터가 도태되는 것이 아니다라고 주장합니다. 문제에 어떤 근본적인 구조(대부분의 유용한 과학적 문제는 구조를 가지고 있습니다)가 있는 한, 우리는 "텐서 네트워크"를 사용하여 데이터를 압축하고 문제를 해결할 수 있습니다. 무거운 작업을 수행하기 위해 항상 양자 컴퓨터가 필요한 것은 아닙니다. 때로는 영리한 고전적 알고리즘이 경쟁할 수 있고, 심지어 승리할 수도 있습니다.

기술 요약: "누가 양자 컴퓨터와 경쟁할 수 있는가? 양자 영감 텐서 네트워크 계산 기법에 관한 강의 노트"

문제 정의
본 논문은 양자 시스템을 시뮬레이션하고 시스템 크기( $N$ 큐비트에 대해 $2^N$ )에 따라 지수적으로 증가하는 고차원 선형 대수 문제를 해결하는 데 있어 근본적인 과제를 다룹니다. 양자 컴퓨터는 이론적으로 이러한 지수적으로 거대한 상태 공간을 조작할 수 있지만, 고전 슈퍼컴퓨터는 $N \gtrsim 50$ 인 경우 전체 파동 함수를 저장할 수 없습니다. 그러나 저자들은 많은 물리적으로 유의미한 상태들이 효율적인 고전적 표현을 가능하게 하는 내부적인 수학적 구조를 가지고 있다는 점에 주목합니다. 핵심 문제는 이러한 구조, 구체적으로는 낮은 계수(low-rank) 특성을 식별하고 활용하여, 전체 지수적 객체를 명시적으로 저장하지 않고도 행렬-벡터 곱셈, 고유값 문제 해결, 동역학 시뮬레이션을 수행하는 것입니다. 이 강의들은 텐서 네트워크 알고리즘을 전통적인 다체 물리학(many-body physics) 맥락에서 분리하여, 거대 행렬과 벡터에 대한 일반적인 선형 대수 도구로서 제시하는 것을 목표로 합니다.

방법론
본 논문은 행렬 곱 상태(Matrix Product States, MPS) 및 **행렬 곱 연산자(Matrix Product Operators, MPO)**에 기반한 포괄적인 알고리즘 세트를 제시합니다. 이들은 지수적으로 큰 벡터와 행렬을 가상 인덱스(결합 차원, bond dimensions)로 연결된 일련의 작은 국소 텐서들로 인수분해하는 텐서 네트워크 표현 방식입니다.

정확한 에뮬레이션 (Exact Emulation): 저자들은 먼저 양자 회로가 텐서 네트워크임을 확립합니다. 이들은 다음과 같은 정확한 에뮬레이션 전략을 설명합니다:
- 전체 상태 시뮬레이터 (Full State Simulator): $2^N$ 크기의 벡터를 할당하고 게이트를 순차적으로 적용합니다. 이는 메모리 측면에서는 지수적으로( $O(2^N)$ ) 증가하지만, 게이트의 수에 대해서는 선형적으로 증가합니다.
- 정확한 MPS 에뮬레이터 (Exact MPS Emulator): 상태를 MPS로 표현합니다. 결합된 엔탕글먼트(예: 생성된 곱 상태에 대한 최근접 이웃 게이트)가 제한적인 회로의 경우, 결합 차원 $\chi$ 가 작게 유지된다면 $N$ 에 대해 선형적으로, 회로 깊이에 대해 다항식적으로 스케일링됩니다.
압축 및 근사 (Compression and Approximation): 더 큰 시스템을 다루기 위해, 강의에서는 **특이값 분해(Singular Value Decomposition, SVD)**를 통한 저계수 압축을 소개합니다.
- 정규 형태 (Canonical Form): 텐서가 아이소메트리(isometry)가 되는 게이지 선택으로, 중앙 텐서의 특이값으로부터 엔탕글먼트 엔트로피를 직접 읽을 수 있게 합니다.
- TEBD (Time-Evolving Block Decimation): 게이트를 적용하고 결과 상태를 고정된 결합 차원 $\chi$ 를 유지하도록 SVD를 통해 절단(truncate)하는 양자 회로용 알고리즘입니다. 이는 버려진 특이값에 의해 경계가 정해지는 제어된 오차를 도입합니다.
- DMRG (Density Matrix Renormalization Group): 여기서는 양자 회로 및 해밀토니안 대각화를 위해 변형되었습니다. 에너지(해밀토니안의 경우)를 최소화하거나 충실도(fidelity, 회로의 경우)를 최대화하기 위해 한 번에 하나 또는 두 개의 텐서를 최적화하며 시스템을 훑으며 수렴할 때까지 진행합니다.
학습 및 구축 (TCI): 방법론의 상당 부분은 **텐서 교차 보간(Tensor Cross Interpolation, TCI)**에 할애됩니다. 전체 텐서에 접근할 필요가 없는 전통적인 방식과 달리, TCI는 특정 인덱스에서 함수 $F(\sigma)$ 를 쿼리하여 MPS/MPO 표현을 구축하는 능동 학습 알고리즘입니다.
- 이는 **교차 보간(Cross Interpolation, CI)**과 부분 랭크 노출 LU(partial Rank-Revealing LU, prrLU) 분해를 활용하여, 행렬의 핵심 정보를 포착할 수 있도록 결정값(determinant)을 최대화하는 "피벗(pivots)"(행과 열)을 선택하며, 이를 통해 maxvol 원리를 보장합니다.
- 이를 통해 임의의 함수(예: 적분기, 퍼텐셜)를 텐서 구조에 대한 사전 지식 없이도 MPS/MPO 형식으로 변환할 수 있습니다.
"퀀틱스(Quantics)" 표현: 저자들은 연속 변수 $x$ 가 비트의 이진 문자열로 매핑되는 특정 이산화 스킴을 도입합니다. 이 "퀀틱스" 표현은 연속 변수의 함수를 MPS처럼 취급할 수 있게 합니다.
- 이들은 미분 연산자(미분, 적분, 라플라시안), 컨볼루션, 그리고 **양자 푸리에 변환(Quantum Fourier Transform, QFT)**에 대한 MPO의 해석적 구축을 제공합니다.
- 결정적으로, QFT는 낮은 계수의 MPO(격자점 $2^N$ 에 대해 $\chi \approx 15$ 인 랭크)임이 입증되었으며, 이를 통해 격자 위의 $2^N$ 지점에 대해 "초고속(superfast)" 푸리에 변환이 가능함을 보여줍니다.

주요 기여

텐서 네트워크의 일반화: 이 강의들은 MPS와 MPO를 단순히 응집 물질 물리학을 위한 도구가 아니라, 거대한 벡터와 행렬을 위한 일반적인 선형 대수 솔버로 재정의합니다.
알고리즘 도구 상자: 텍스트는 다음을 포함한 상세한 단계별 유도를 제공합니다:
- MPS로부터 샘플링 (베이즈 체인 규칙을 통한 정확한 샘플링).
- MPS/MPO의 덧셈 및 곱셈.
- MPS를 사용하여 선형 시스템($Ax=b$) 해결.
- 미분 연산자 및 QFT를 위한 MPO의 해석적 구축.
TCI라는 관문: 논문은 TCI를 텐서 네트워크가 아닌 문제(예: 편미분 방정식)를 텐서 네트워크 프레임워크로 매핑할 수 있게 하는 결정적인 가교로 위치시킵니다.
PDE를 위한 퀀틱스: 저자들은 퀀틱스 표현이 TCI 및 저계수 MPO와 결적으로 결합되어, 브루트 포스(brute-force) 방식으로는 도달할 수 없는 규모인 $2^{30}$ 에서 $2^{40}$ 개의 격자점을 가진 편미분 방정식(Poisson, Schrödinger, Heat equation)을 표준 워크스테이션에서 해결할 수 있음을 보여줍니다.

결과
논문은 다음의 구체적인 응용 사례를 통해 이러한 방법들을 입증합니다:

양자 회로 시뮬레이션: 비교 실험을 통해 엔탕글먼트가 낮은 회로(예: GHZ 상태 생성)의 경우 정확한 MPS 에뮬레이터는 $\sim N^2$ 로 스케일링되는 반면, 전체 상태 시뮬레이터는 $\sim N 2^N$ 으로 스케일링됨을 보여줍니다.
무작위 회로와 충실도: 무작위 양자 회로(양자 우월성 실험과 유사한) 시뮬레이션은 결합 차원에 의해 제어되는 방식으로 회로 깊이에 따라 충실도가 지수적으로 감소함을 보여줍니다. 이는 오차율(또는 유효 결합 차원)이 충분히 낮다면 텐서 네트워크가 시스템을 시뮬레이션할 수 있음을 시사합니다.
PDE 솔루션:
- 적분: TCI를 사용하여 10차원 진동 적분을 계산하였으며, 이는 $\sim 1/N_{eval}^4$ 로 수렴하여, 사인 문제(sign problem)로 인해 $1/\sqrt{N_{eval}}$ 로 스케일링되는 몬테카를로 방법보다 훨씬 뛰어난 성능을 보였습니다.
- 열 방정식 (Heat Equation): 저계수 QFT MPO를 사용하여 노트북에서 단 몇 초 만에 $2^{30}$ 개의 지점(1조 개 지점)을 가진 격자 위에서 열 방정식을 해결했습니다.
- 그로스-피타에프스키 방정식 (Gross-Pitaevskii Equation): 준주기적 퍼텐셜 상에서 $2^{20}$ 의 격자점을 차원당 사용하는 이 비선형 방정식을 시뮬레이션하여, 매우 다양한 길이 척대를 다룰 수 있는 능력을 입증했습니다.

의의 및 주장
저자들은 이러한 "양자 영감" 기법들이 양자 상태를 다룰 수 있게 만드는 동일한 수학적 구조(낮은 엔탕글먼트/낮은 계수)를 활용함으로써 양자 컴퓨터의 능력과 직접적으로 경쟁한다고 주장합니다.

양자 우월성의 재정의: 논문은 "양자 우월성" 실험들이 종종 시뮬레이션하기 어렵지만 물리적 관련성이 떨어지는 무작위적이고 혼돈스러운 상태를 목표로 한다고 주장합니다. 반대로, 많은 유용한 양자 알고리즘과 물리적 시스템은 텐서 네트워크가 효율적으로 시뮬레이션할 수 있는 구조를 가지고 있습니다.
I/O 병목 현상: 저자들은 양자 컴퓨터가 확률적 정보인 $N$ 비트만을 출력하는 "I/O 병목 현상"을 겪는 반면, 텐서 네트워크는 전체 파동 함수나 고정밀 적분을 제공할 수 있다는 점을 강조합니다.
미래 전망: 텐서 네트워크와 TCI가 미래의 양자 컴퓨팅에서 중요한 역할을 할 것이며, 특히 문제 입력을 텐서 네트워크 형식으로 매핑하여 양자 회로로 컴파일할 수 있는 인터페이스 역할을 할 것이라고 봅니다. 저자들은 텐서 네트워크가 강력하지만 만능은 아니며, 모든 문제에서 보장되지 않는 '낮은 계수 구조'의 존재에 의존한다는 점을 강조합니다.

요약하자면, 본 논문은 텐서 네트워크 알고리즘이 특히 TCI 및 퀀틱스 표현과 결합될 때, 고차원 문제에 대해 브루트 포스 시뮬레이션을 대체할 수 있는 견고하고 확장 가능한, 때로는 더 우수한 대안을 제공함을 보여주는 교육적이고 기술적인 가이드로서, 특정 작업에 대한 양자 하드웨어의 필요성에 도전하고 있습니다.

Who can compete with quantum computers? Lecture notes on quantum inspired tensor networks computational techniques