Harnessing a 256-qubit Neutral Atom Simulator for Graph Classification

본 논문은 하드웨어 노이즈에도 불구하고 고전적 커널보다 약간 더 나은 성능을 달성하면서 PROTEINS 데이터셋의 그래프 분류를 위해 256-큐비트 중성 원자 시뮬레이터(Aquila) 를 사용하여 양자 진화 커널 특징을 계산하는 것의 유효성을 입증합니다.

핵심

거대하고 지저분한 단백질 구조 더미가 있다고 상상해 보세요. 일부는 "효소"(세포의 헌신적인 도구) 이고 나머지는 그냥 "비효소"입니다. 당신의 임무는 이들을 두 개의 더미로 분류하는 것입니다. 컴퓨터 세계에서는 이러한 단백질들이 점(원자) 과 선(연결) 으로 이루어진 복잡한 지도와 같습니다. 이러한 지도를 분류하는 것은 지도가 거대하고 얽혀 있기 때문에 일반 컴퓨터에게는 매우 느리고 어려운 작업입니다.

이 논문은 연구자들이 이 분류 작업을 더 빠르고 정확하게 수행하기 위해 특별한 종류의 "양자 놀이터"를 사용하려던 실험을 설명합니다. 이를 간단한 용어로 설명하면 다음과 같습니다.

양자 놀이터: 원자의 들판

연구자들은 표준 컴퓨터 칩 대신 QuEra 라는 회사가 개발하고 아마존을 통해 이용할 수 있는 Aquila라는 기계를 사용했습니다. Aquila 를 두뇌가 아니라 거대하고 프로그래밍 가능한 당구대로 생각하세요.

• 공: 당구공 대신 이 테이블은 작고 떠다니는 원자(루비듐) 를 사용합니다.
• 집게: 이 기계는 이러한 원자를 집어 2 차원 격자에 배열하기 위해 보이지 않는 "광학 집게"(레이저 손과 같은) 를 사용합니다.
• 규칙: 원자들은 특별한 트릭을 가지고 있습니다. 두 원자가 서로 너무 가까워지면 둘 다 동시에 "고에너지" 상태에 있을 수 없습니다. 이를 **리드베르크 블로케이드 (Rydberg Blockade)**라고 합니다. 이는 "두 친구가 너무 가까이 서 있으면 동시에 점프할 수 없다"는 규칙과 같습니다. 이 규칙은 자연스럽게 원자들 사이에 연결을 만들어 그래프의 구조를 모방합니다.

도전 과제: 퍼즐 조각 맞추기

데이터셋 (PROTEINS 라고 함) 에 있는 단백질들은 서로 다른 모양을 가진 퍼즐 조각과 같습니다. 어떤 것은 10 개의 점을 가지고 있고, 어떤 것은 200 개의 점을 가지고 있습니다. Aquila 기계에는 한계가 있습니다: 한 번에 256 개의 원자만 담을 수 있습니다.

기계를 사용하기 위해 연구자들은 단백질 지도를 연결을 끊지 않고 기계의 격자에 "평평하게" 펼쳐야 했습니다. 그들은 지도가 기계의 "당구대"에 완벽하게 맞으면서 기계의 물리적 규칙을 준수하도록 원자를 재배열하기 위해 스마트한 AI 도구 (신경망) 를 사용했습니다.

실험: 양자 춤

원자들이 단백질처럼 배열되자마자 연구자들은 단순히 그들을 바라본 것이 아니라 그들을 "춤추게" 했습니다.

1. 펄스: 그들은 원자에 특정 순서의 레이저 펄스를 쐈습니다. 이는 피아노로 특정 곡을 연주하는 것과 같습니다. 원자들은 그 곡에 반응하여 에너지 상태를 바꿉니다.
2. 측정: 춤이 끝난 후, 그들은 스냅샷을 찍었습니다. 얼마나 많은 원자가 "고에너지" 상태에 있고 얼마나 많은 원자가 "저에너지" 상태에 있는지 세었습니다.
3. 지문: 이 수는 특정 단백질에 대한 고유한 "지문"(확률 분포) 을 생성했습니다.

마법: 양자 커널

연구자들은 **양자 진화 커널 (Quantum Evolution Kernel, QEK)**이라는 수학적 트릭을 사용했습니다. 이는 두 지문의 유사성을 측정하는 방법이라고 생각하세요.

• 두 단백질이 매우 유사한 "춤 동작"(에너지 패턴) 을 가지면, 기계는 그들이 같은 유형일 가능성이 높다고 말합니다 (둘 다 효소이거나 둘 다 비효소).
• 그들의 춤이 완전히 다르면, 기계는 그들이 다르다고 말합니다.

연구자들은 이러한 지문을 최종적으로 단백질이 어느 더미에 속하는지 결정하기 위해 표준 컴퓨터 프로그램 (서포트 벡터 머신) 에 입력했습니다.

결과: 양자 기계가 이겼을까요?

연구자들은 두 가지 데이터 그룹으로 이를 테스트했습니다:

1. 작은 그룹 (12 개 원자): 그들은 먼저 작은 부분 집합에서 방법을 테스트하여 "레이저 곡"(펄스 매개변수) 을 조정하여 최상의 결과를 얻었습니다. 그들은 새로운 최적화된 곡이 이전 버전보다 더 잘 작동한다는 것을 발견했습니다.
2. 큰 그룹 (256 개 원자): 그런 다음 그들은 더 큰 데이터셋을 사용하여 실제 Aquila 기계에서 전체 실험을 수행했습니다.

결과:

• 양자 방법은 이러한 단백질을 분류하는 데 있어 최고의 전통적인 컴퓨터 방법과 똑같이 잘 수행되었습니다.
• 사실, 작은 데이터셋에서는 최적화된 양자 방법이 전통적인 방법보다 약간 더 잘 수행되었습니다.
• 양자 기계가 "노이즈가 있다"(약간 흔들리는 당구대처럼 작은 실수를 저지른다) 고 하더라도, 결과는 여전히 강력했습니다.

결론

이 논문은 복잡한 그래프 문제 (단백질 분류와 같은 것) 를 256 개 원자 양자 시뮬레이터에 매핑하고 유용한 결과를 얻을 수 있음을 증명합니다. 이는 현재의 불완전한 양자 하드웨어로도 일반 컴퓨터가 처리하기 어려운 실제 세계의 그래프 문제를 해결하기 시작할 수 있음을 보여주는 "개념 증명"입니다.

그들은 이것이 내일 질병을 치료하거나 모든 컴퓨터를 대체할 것이라고 주장하지 않았습니다. 그들은 단순히 "양자 춤"이 이러한 특정 단백질 지도를 분류하기에 충분히 잘 작동하여 향후 더 강력한 실험을 위한 길을 닦았음을 보일 뿐입니다.

기술 요약

기술 요약: 256 큐비트 중성 원자 시뮬레이터를 활용한 그래프 분류

문제 정의
그래프 분류는 생물학, 통신, 사회과학 분야에서 응용되는 계산 집약적 작업입니다. 힐베르트 공간의 지수적 크기 덕분에 양자 머신 러닝 (QML) 은 잠재적 이점을 제공하지만, 실제 하드웨어에서 이러한 알고리즘을 구현하는 것은 어렵습니다. 특히 리드베르그 상태를 사용하여 아날로그 모드로 작동하는 중성 원자 플랫폼은 고유한 제약을 제시합니다. 범용 게이트 기반 양자 컴퓨터와 달리, 이러한 시뮬레이터는 종종 전역 펄스에 의존하며 리드베르그 블로케이드 반경에 의해 정의된 연결성을 가지며, 자연스럽게 단위 원반 (UD) 그래프에 매핑됩니다. 또한, 공개적으로 이용 가능한 양자 하드웨어의 부족과 현재 장치에 내재된 노이즈로 인해 양자 진화 커널 (QEK) 을 통한 특징 추출과 같은 QML 작업의 구현은 단순하지 않습니다.

방법론
저자들은 AWS Braket 를 통해 제공되는 256 큐비트 Aquila 중성 원자 시뮬레이터를 사용하여 PROTEINS 데이터셋 (효소 또는 비효소로 레이블링됨) 의 단백질 그래프를 분류하기 위한 하이브리드 양자 - 고전 워크플로우를 제안합니다.

1. 그래프 임베딩: Aquila 는 본질적으로 UD 그래프를 구현하므로, 일반적인 단백질 그래프는 원자의 2 차원 레지스터에 임베딩되어야 합니다. 저자들은 특정 하드웨어 제약 조건을 준수하는 실현 가능한 UD 임베딩을 찾기 위해 신경망 강화 DEN 모델을 활용합니다. 이러한 제약 조건은 $75\mu m \times 76\mu m$ 크기의 레지스터 영역과 $4\mu m$ 의 이산 행 간격입니다.
2. 양자 진화 커널 (QEK): 핵심 알고리즘은 교차 혼합 ($\hat{H}_\theta$) 과 Ising ($\hat{H}_G$) 항으로 구성된 시간 의존적 해밀토니안 하에서 양자 상태를 진화시키는 것을 포함합니다. 진화는 $\Lambda = \{\theta_0, t_0, \theta_1, t_1, \theta_2\}$ 집합으로 매개변수화됩니다.
   • 시스템이 진화한 후, 계산 기저에서 측정이 수행됩니다.
   • 후처리는 측정 비트열을 에너지 분포로 변환합니다.
   • 이러한 분포는 확률 벡터를 형성하기 위해 빈으로 나뉩니다.
   • 두 그래프 간의 커널 거리는 확률 분포의 제이슨 - 섀넌 (JS) 발산을 사용하여 계산됩니다: $K_\mu(G, G') = e^{-\mu JS(P, P')}$.
3. 최적화: F1 점수를 최대화하는 최적의 파형 매개변수 ($\Lambda_{BO}$) 를 찾기 위해 베이지안 최적화 절차가 사용됩니다. 이 최적화는 양자 샷의 높은 비용을 피하기 위해 Bloqade 프레임워크를 통한 고전적 에뮬레이션으로 PROTEINS12(최대 12 노드) 의 더 작은 부분집합에서 수행됩니다.
4. 분류: 생성된 커널 행렬은 데이터셋 불균형을 처리하기 위해 클래스 가중 하이퍼파라미터를 가진 서포트 벡터 머신 (SVM) 에 입력됩니다.

주요 기여

• 최초의 실제 구현: 이 연구는 최대 256 큐비트를 가진 실제 노이즈가 있는 중성 원자 시뮬레이터 (Aquila) 에서 QEK 기반 그래프 분류 파이프라인을 최초로 구현한 것입니다.
• 하드웨어 인식 임베딩: 저자들은 Aquila 플랫폼의 특정 물리적 제약 조건 (전역 펄스, 이산 행) 을 충족하도록 DEN 임베딩 모델을 적응시켜, 임의의 그래프를 하드웨어의 본질적 연결성에 매핑할 수 있도록 했습니다.
• 매개변수 최적화: 베이지안 최적화를 통해 저자들은 이전에 발표된 매개변수 ($\Lambda_a$) 보다 전체 프로토콜 지속 시간을 약 33% 단축하는 새로운 펄스 매개변수 집합 ($\Lambda_{BO}$) 을 도출하여 결맞음 손실 효과를 완화했습니다.
• 벤치마킹: 이 연구는 에뮬레이션 및 실제 하드웨어 환경 모두에서 고전적 최단 경로 커널 (SPK) 및 다양한 매개변수 집합과 양자 접근 방식을 비교하는 엄격한 벤치마크를 제공합니다.

결과

• 고전적 에뮬레이션 (PROTEINS12): 최적화된 매개변수 ($\Lambda_{BO}$) 는 작은 데이터셋 크기와 클래스 불균형에도 불구하고 F1 점수 (SPK 의 44.1% 대비 46.3%) 및 정밀도 측면에서 문헌 매개변수 ($\Lambda_a$) 와 고전적 SPK 보다 우수한 성능을 보였습니다.
• 실제 하드웨어 (Aquila):
  • PROTEINS12: Aquila 에서 실행된 최적화된 QEK 는 F1 점수 49% 및 정확도 63.7% 를 달성하여 고전적 SPK(F1 44.1%) 와 에뮬레이션 결과 모두를 능가했습니다. 더 짧은 프로토콜 지속 시간 ($\Lambda_{BO}$) 은 더 긴 $\Lambda_a$ 프로토콜보다 더 나은 결과를 산출하여 노이즈 영향이 감소했음을 시사합니다.
  • PROTEINS256: 더 큰 데이터셋 (최대 256 노드) 에서 최적화된 QEK 는 F1 점수 65.6% 및 정확도 65.4% 를 달성하여 고전적 SPK(F1 65.3%) 와 비교 가능한 성능을 보였습니다.
• 샷 효율성: 통계 분석에 따르면 측정 샷 수를 1,000 회에서 100 회로 줄이는 경우 성능 저하는 약 1% 에 불과한 반면, 10 회로 줄이는 경우 성능이 크게 떨어졌습니다.

의의 및 주장
이 논문은 현재 중성 원자 플랫폼에서 수백 개의 노드와 임의의 연결성을 가진 그래프 문제에 대한 QML 워크로드 실행의 실현 가능성을 입증한다고 주장합니다. 저자들은 현재 하드웨어의 노이즈와 제한된 큐비트 수에도 불구하고 최적화된 QEK 방법이 고전적 커널과 경쟁력 있는 성능을 달성한다고 강조합니다. 그들은 중성 원자 아키텍처가 큐비트 수와 충실도 측면에서 확장됨에 따라, 그 고유한 연결성 매핑이 그래프 분석에 독특한 이점을 제공할 것이라고 가정합니다. 이 작업은 이러한 특정 양자 시뮬레이터를 실용적인 머신 러닝 작업에 활용하기 위한 "첫 번째 개념 증명" 역할을 하며, 전역 펄스 제한 및 임베딩 요구 사항과 같은 하드웨어 제약 조건과 알고리즘을 공동 설계하는 중요성을 강조합니다.