Quantum Interference-Induced Bhattacharyya Distance

통계학 및 머신러닝의 세계에서 과학자들은 종종 두 데이터 세트가 얼마나 다른지를 측정해야 할 필요가 있습니다. 그래프 위의 두 점 구름을 구별하려고 노력한다고 상상해 보십시오. 표준적인 도구들은 단순히 이 구름들이 얼마나 겹치는지를 세는 방식으로 이를 수행합니다. 구름이 서로 겹쳐 있으면 매우 유사하다고 간주됩니다. 만약 구름이 멀리 떨어져 있다면, 서로 구별되는 것입니다. 이 방법은 고전적인 데이터에는 잘 작동하지만, 모든 정보를 정적인 스냅샷으로 취급하며, 그 데이터가 더 복잡하고 상호작용하는 시스템의 일부라면 어떻게 행동할지에 대해서는 무시합니다. 입자들이 동시에 여러 상태로 존재할 수 있고 서로 즉각적으로 영향을 미칠 수 있는 양자 물리학의 영역에서, 이러한 정적인 관점은 종종 불충분합니다. 양자 상태는 단지 그것이 무엇인가에 의해서만이 아니라, 그것들이 서로 어떻게 간섭하느냐에 의해 정의됩니다. 두 양자 상태가 만날 때, 이들은 서로를 증폭시키거나 상쇄할 수 있는데, 이를 간섭(interference)이라고 합니다. 데이터의 차이를 측정할 때 이러한 역동적인 상호작용을 고려하는 방법을 이해하는 것은 더 나은 양자 컴퓨터와 알고리즘을 구축하기 위한 중요한 과제입니다.

IBM 퀀텀(IBM Quantum)의 한 연구자가 이 문제를 해결하기 위한 새로운 방법을 제안하며, '양자 간섭 유도 바타차야 거리(Quantum Interference-Induced Bhattacharyya Distance)'라고 불리는 기법을 도입했습니다. 이 접근 방식은 단순히 두 확률 분포가 얼마나 겹치는지를 확인하는 것을 넘어섭니다. 대신, 이 방식은 더 역동적인 질문을 던집니다: 두 양자 상태가 특정 상호작용을 받을 때, 서로 간섭할 수 있는 능력이 어떻게 변화하는가? 연구자인 모스타피주르 라하만 라스카르(Mostafizur Rahaman Laskar)는 두 데이터 세트 사이의 "거리"가 고정된 숫자가 아니라, 그것을 비교하는 데 사용된 물리적 과정에 따라 달라지는 값이어야 한다고 제안합니다. 확률 분포를 양자 상태로 인코딩한 다음 이를 특정 유형의 회로에 통과시킴으로써, 이 방법은 상태들이 서로 상호작용하도록 허용되었을 때 간섭 패턴이 얼마나 퇴화하는지를 측정합니다.

이 연구의 핵심은 제어 스위치 역할을 하는 '앤실라(ancilla)'라고 알려진 단 하나의 추가 양자 비트를 사용하는 새로운 측정 도구입니다. 실험에서 연구자는 비교할 두 데이터 세트를 나타내는 두 양자 상태를 준비합니다. 이 상태들은 중첩(superposition), 즉 동시에 존재하는 상태로 놓인 후, 서로에게 영향을 미치게 하는 상호작용을 겪게 됩니다. 이 상호작용는 데이터 내의 상관관계에 따라 특정 위상(phase), 즉 변화를 생성하도록 설계되었습니다. 만약 두 데이터 세트가 동일하고 상호작용이 일어나지 않는다면, 양자 파동은 완벽하게 간섭하여 명확한 신호를 만들어냅니다. 그러나 데이터 세트가 다르거나 상호작용이 복잡한 상관관계를 도입하면, 이 완벽한 간섭은 방해를 받습니다. 이 방해의 정도, 즉 간섭 패턴의 가시성 손실이 데이터 세트 사이의 거리가 됩니다.

이 발견이 중요한 이유는 전통적인 방법들이 완전히 놓치는 차원의 차이를 드러내기 때문입니다. 표준적인 척도들은 데이터의 겹침에 의존하는데, 이 겹침은 데이터가 어떻게 조작되든 관계없이 일정하게 유지됩니다. 반면, 이 새로운 거리 척도는 적용된 상호작용의 강도에 따라 변합니다. 연구자는 양자 컴퓨터 시뮬레이터 상의 수치 시뮬레이션을 통해 이를 입증했습니다. 상호작용이 꺼졌을 때, 새로운 척도는 기존 이론의 고전적 거리를 완벽하게 일치시켰으며, 이는 그것이 기존 이론의 유효한 확장임을 확인해 주었습니다. 그러나 상호작용의 강도가 증가함에 따라, 데이터의 근본적인 겹침은 정확히 동일하게 유지됨에도 불구하고 새로운 거리는 더 커졌습니다. 이는 이 방법이 단순히 결과의 원시 확률뿐만 아니라, 데이터 내 상관관계의 내부 구조에 민감하다는 것을 증명합니다.

시뮬레이션은 또한 이러한 민감성이 사용된 상호작용의 유형에 매우 특이적이라는 것을 보여주었습니다. 연구자가 데이터가 적용되는 상호작용과 일치하는 상관관계를 갖도록 조정했을 때, 거리 척도는 표준적인 겹침 기반 도구들에는 보이지 않던 차이를 강력하게 감지하며 반응했습니다. 예를 들어, 32개의 가능한 결과에 대한 분포를 다룬 한 테스트 케이스에서, 고전적 거리는 상호작용의 강도와 관계없이 1.321이라는 값으로 고정되어 있었습니다. 반면, 새로운 양자 거리는 상호작용 파라미터가 높아짐에 따라 2.994라는 값에 도달할 때까지 꾸준히 증가했습니다. 이러한 동작은 새로운 척도가 비교의 물리적 과정 자체가 데이터의 구별 가능성을 어떻게 변화시키는지를 포착한다는 것을 나타냅니다. 이는 두 데이터 세트가 정적인 비교 하에서는 동일해 보일 수 있지만, 특정 양자 상호작용의 렌즈를 통해 볼 때는 명확히 구별될 수 있음을 시사합니다.

연구자는 이 도구가 모든 양자 거리에 대한 보편적인 자(ruler)는 아니라고 언급합니다. 이 값은 전적으로 사용된 상호작용의 선택에 달려 있기 때문에, 삼각 부등식과 같이 고정된 메트릭(metric)을 정의하는 표준적인 수학적 규칙을 따르지 않습니다. 대신, 이것은 두 상태 사이의 간섭을 특정 상호작용이 얼마나 불안정하게 만드는지를 정량화하기 위해 설계된 '운영적 척도(operational measure)'입니다. 이러한 구분은 실질적인 응용 분야에서 매우 중요합니다. 이 방법은 단 하나의 추가 큐비트만을 필요로 하여, 현재 및 근미래의 양자 하드웨어에서도 실행이 가능합니다. 잠재적인 용도로는 구조화된 데이터를 비교하는 새로운 방법을 창출하여 양자 머신러러닝을 개선하는 것, 타겟 모델의 상관 구조가 일치하는지 확인함으로써 양자 시뮬레이션의 정확성을 검증하는 것, 그리고 단순한 확률 변화를 넘어 양자 시스템의 미묘한 변화를 탐지하는 것이 있습니다.

궁극적으로, 이 연구는 양자 세계에서 '차이'를 생각하는 방식에 대한 변화를 제안합니다. 이는 구별 가능성이 데이터만의 고유한 속성이 아니라, 데이터와 그것을 조사하는 물리적 과정 사이의 관계임을 시사합니다. 양자 간섭의 취약성을 활용함으로써, 연구자는 특정 유형의 상관관계에 대해 민감도를 조절할 수 있는 도구를 만들어냈습니다. 이는 상호작용의 선택이 데이터의 어떤 패턴을 강조할지를 결정하는 새로운 종류의 비교를 향한 문을 열어줍니다. 현재의 결과는 시뮬레이션에 기반하고 있지만, 이 프레임워크는 상호작용 의존적 척도가 어떻게 복잡한 양자 시스템 내의 숨겨진 구조를 드러낼 수 있는지 탐구할 수 있는 명확한 경로를 제공합니다.