Quantum and classical processing with photonic quantum machine learning

본 논문은 단일 광자를 활용하여 양자 및 고전적 기계 학습 작업을 수행하는 확장 가능하고 프로그래밍 가능한 실리콘 광자 칩을 제시하며, 새로운 실험적 결함 완화 전략을 통해 양자 상태 단층 촬영 및 얽힘 측정에서 우수한 정확도를 입증합니다.

핵심

상상해 보세요. 여러분이 이해해야 할 매우 복잡하고 신비로운 상자 (양자 상태) 가 있다고 가정해 봅시다. 고전 컴퓨터의 세계에서는 이 상자 안에 무엇이 들어있는지 파악하는 것이 상상할 수 있는 모든 각도에서 조각들을 살펴봐야 하는 거대한 퍼즐을 푸는 것과 같습니다. 이는 막대한 시간과 연산 능력을 요구하며, 종종 일반 컴퓨터가 빠르게 수행하는 것을 불가능하게 만듭니다.

이 논문은 여러분 휴대폰에 들어 있는 것과 유사하지만 전기가 아닌 빛 입자 (광자) 를 처리하도록 설계된 작은 실리콘 칩 위에 구축된 특수한 "양자 기계"를 사용하여 이 퍼즐을 푸는 새로운 방법을 소개합니다.

연구자들이 수행한 작업을 간단한 비유로 설명해 보겠습니다:

1. "블랙박스"vs"마법 믹서"

일반적으로 양자 상태를 이해하기 위해 과학자들은 완전한 그림을 얻기 위해 다양한 방식 (서로 다른 "기저") 으로 반복적으로 측정해야 합니다. 이는 빨간 베리, 파란 베리, 초록 베리 순서로 하나씩 빨대를 통해 맛볼 수 있는 빨대만을 통해 스무디가 어떤 맛인지 파악하려는 것과 같습니다. 이는 느리고 지루한 과정입니다.

연구팀은 **양자 저수지 프로세서 (Quantum Reservoir Processor)**를 구축했습니다. 이를 "마법 믹서"로 생각하세요.

• 입력: 여러분은 신비로운 양자 스무디 (입력 상태) 를 믹서에 붓습니다.
• 믹서: 칩 내부에서 빛은 거울과 도파관으로 이루어진 복잡한 미로 (저수지) 를 통해 튕겨 나갑니다. 이는 정보를 매우 구체적이고 비선형적인 방식으로 뒤섞어 모든 맛을 함께 섞습니다.
• 출력: 스무디를 조각조각 맛보는 대신, 기계는 서로 다른 스프라우트에서 나오는 액체 방울의 정확한 개수를 셉니다 (이를 "광자 수 분해" 검출이라고 합니다).
• 결과: 컴퓨터 프로그램 (신경망) 이 나오는 방울들의 패턴을 살펴보고 원래 스무디가 무엇으로 만들어졌는지 즉시 파악합니다.

2. 두 가지 유형의 작업

연구자들은 이 칩이 두 가지 다른 작업을 수행할 수 있음을 보여주었습니다:

작업 A: 양자 탐정 (양자 작업)
그들은 칩을 사용하여 **양자 상태 단층 촬영 (Quantum State Tomography)**을 수행했습니다.

• 비유: 보이지 않는 잉크로 쓰인 비밀 코드가 있다고 상상해 보세요. 일반 카메라로는 이를 볼 수 없습니다. 하지만 특정하고 복잡한 빛을 비추면 코드가 컴퓨터가 읽을 수 있는 패턴으로 반사됩니다.
• 성과: 그들은 칩의 단 하나의 고정된 설정만 사용하여 복잡한 양자 상태의 완전한 "지도" (밀도 행렬) 를 성공적으로 재구성했습니다. 전통적인 방법은 기하급수적으로 더 많은 측정 (수백만 개의 다른 각도에서 사진을 찍는 것과 같은) 을 필요로 할 것입니다. 또한 그들은 이 단일 측정에서 "얽힘" (두 입자가 얼마나 연결되어 있는지) 과 "순수성" (상태가 얼마나 혼란스러운지) 과 같은 까다로운 속성을 직접 측정했습니다.

작업 B: 패턴 인식기 (고전 작업)
그들은 또한 칩을 사용하여 두 개의 얽힌 나선 (인공지능의 고전적인 테스트) 을 구별하는 표준 수학 문제를 풀었습니다.

• 비유: 로봇에게 나선형을 그리도록 가르치려 한다고 상상해 보세요. 보통은 수천 개의 완벽한 예시를 보여줘야 합니다. 하지만 현실 세계에서는 손이 떨려 선이 흔들립니다.
• 성과: 연구자들은 학습하는 동안 시스템이 "흔들리는 선" (실험적 오류) 을 기대하도록 가르쳤습니다. 학습 중에 이러한 불완전함을 시뮬레이션함으로써 시스템은 완벽하고 이상화된 고전 컴퓨터보다 더 나은 성능을 발휘할 정도로 견고해졌습니다. 시스템은 노이즈를 무시하고 진정한 패턴을 찾아내는 법을 배웠습니다.

3. 이것이 중요한 이유

이 논문은 이것이 획기적인 진전이라고 주장합니다. 그 이유는 다음과 같습니다:

• 속도와 효율성: 소프트웨어로 시뮬레이션하려는 대신 빛의 자연스러운 물리학을 사용하여 고전 컴퓨터에는 보통 너무 어려운 양자 문제를 해결합니다.
• 확장성: 칩은 모든 전자제품에 사용되는 것과 동일한 물질인 실리콘으로 만들어졌으므로 대량 생산이 가능하고 더 크게 만들 수 있습니다.
• 현실 세계 증명: 많은 양자 실험이 완벽한 시뮬레이션에서만 작동하는 것과 달리, 이 팀은 실제 장치를 구축하고 실험을 수행하여 현실 세계의 불완전함 속에서도 작동함을 증명했습니다.

요약

간단히 말해, 연구자들은 복잡한 양자 물체를 바라보고 그것을 찢어발기거나 수백만 개의 각도에서 바라볼 필요 없이 그것이 무엇인지 즉시 알려주는 작고 빛으로 작동하는 "뇌"를 구축했습니다. 또한 이 "뇌"를 현실 세계의 혼란을 기대하도록 학습시킴으로써 완벽한 이론적 컴퓨터보다 더 나은 문제를 해결할 수 있음을 증명했습니다. 이는 먼 미래를 기다리는 대신 지금 당장 실용적인 작업을 위해 양자 기계를 사용할 수 있는 문을 엽니다.

기술 요약

기술 요약: 광자 양자 기계 학습을 통한 양자 및 고전 처리

문제 제기
인공지능과 기계 학습 (ML) 이 보편화되어 있지만, 이들은 높은 계산 비용을 수반합니다. 양자 기계 학습 (QML) 은 처리 속도를 가속화하고 고전 시스템이 해결할 수 없는 과제를 수행할 것을 약속하지만, 범용 결함 허용 양자 컴퓨터는 여전히 도달하기 어려운 상태입니다. 현재 양자 우위 시연은 종종 직접적인 실용적 관련성이 없는 특정 문제로 제한됩니다. furthermore, 물리적 QML 구현은 최적화 풍경의 황량한 평야 (barren plateaus) 와 양자 회로에 역전파를 적용하는 것의 어려움과 같은 도전에 직면해 있습니다. 양자 기술의 특정 병목 현상은 양자 상태의 효율적인 탐지에 있습니다. 표준 양자 상태 단층 촬영은 일반적으로 서로 다른 기저에서 지수적으로 많은 수의 측정을 필요로 합니다. 또한, 광학 QML 의 실험적 구현은 이상화된 시뮬레이션과 불완전한 하드웨어 간의 불일치로 인해 고전 영역에 비해 정확도가 감소하는 경향이 있습니다.

방법론
저자들은 양자 및 고전 기계 학습 과제 모두를 처리할 수 있는 광자 양자 저수지 처리 (QRP) 시스템의 실험적 시연을 보고합니다. 핵심 하드웨어는 Quandela 의 프로그래밍 가능한 실리콘 광자 칩 ("Belenos") 으로, 마하 - 젠더 간섭계 (MZI) 로 배열된 24 개의 통합 광학 도파관 메쉬를 특징으로 합니다. 시스템은 단일 광자를 생성하는 반도체 양자점 소스에 의해 여기됩니다.

주요 방법론적 구성 요소는 다음과 같습니다:

• 하드웨어 아키텍처: 칩은 모드 서브세트에 주입되는 최대 12 개의 동시 단일 광자를 지원합니다. 이는 이전의 이진 (0 또는 1) 검출 방식보다 중요한 발전인 광자 수 분해 (PNR) 검출기를 활용합니다.
• 양자 저수지 처리: 시스템은 입력 데이터를 고차원 특징 공간으로 매핑하기 위해 고정된 무작위 유니터리 변환 (저수지, $U_R$) 을 사용합니다. 이는 소프트웨어로 구현된 학습 가능한 선형 읽기 출력 레이어 (신경망) 에 이어집니다.
• 양자 과제: 저자들은 2 모드 및 3 모드 기저에서 혼합된 얽힌 상태에 대한 양자 상태 단층 촬영을 구현했습니다. 지수적인 측정이 필요한 표준 단층 촬영과 달리, 이 방법은 단일 고정 유니터리 변환과 단일 측정 기저를 사용합니다. 입력 상태는 칩 내에서 생성되거나 주입되며, 저수지는 다중 모드 양자 상관관계를 측정 가능한 광자 계수 통계로 변환합니다.
• 고전 과제 및 오류 완화: 고전 데이터의 경우, 입력은 간섭계의 매개변수로 인코딩됩니다. 시뮬레이션과 실험적 현실 간의 격차를 해결하기 위해 저자들은 "하드웨어 인식" 훈련 기법을 도입했습니다. 이는 in-silico 훈련 단계 동안 저수지 유니터리 행렬 ($U_R$) 을 무작위 노이즈로 교란시키는 것을 포함합니다. 이 정규화는 전파 오류 및 위상 드리프트와 같은 실험적 불완전성에 대해 네트워크가 견고하도록 훈련시킵니다.

주요 기여

1. 광자 QRP 의 실험적 시연: 이 작업은 저수지 컴퓨팅 아키텍처를 사용하여 진정한 양자 과제 (양자 상태 단층 촬영) 를 수행하는 광학 시스템의 첫 번째 실험적 시연을 제공합니다.
2. 확장 가능한 PNR 검출: 구현은 확장 가능한 실리콘 광자 칩에서 광자 수 분해 검출을 활용하여 이진 검출기가 놓치는 복잡한 다중 광자 동시 발생을 포착할 수 있게 합니다.
3. 효율적인 양자 단층 촬영: 저자들은 QRP 가 단일 측정 기저만을 사용하여 혼합 양자 상태의 밀도 행렬을 재구성할 수 있음을 시연했으며, 이는 기존 단층 촬영의 지수적 오버헤드와 대조됩니다.
4. 하드웨어 인식 훈련: 이 논문은 실험적 불완전성을 위한 특정 완화 전략을 소개합니다. 저수지의 무작위 교란으로 시뮬레이션된 데이터에 고전 읽기 출력 레이어를 훈련시킴으로써, 시스템은 고전 영역 (간섭성 입력 및 강도 측정 사용) 에서 작동하는 동일한 시스템보다 높은 정확도를 달성합니다.

결과

• 양자 단층 촬영: 두 광자 혼합 상태 재구성에서 QRP 시스템은 테스트 데이터셋에서 평균 충실도 $F_{QRP} = 0.820 \pm 0.013$을 달성했습니다. 이는 저수지 없이 직접 검출한 "PNR 벤치마크"가 달성한 $F_{PNR} = 0.747 \pm 0.015$보다 현저히 우수했습니다. 이 개선은 직접 검출이 놓치는 비대각선 간섭 (양자 간섭) 을 포착하는 저수지의 능력에 기인합니다.
• 확장성: 이 연구는 3 모드 상태로 단층 촬영을 확장하여 접근법의 확장성을 검증했습니다. 결과는 밀도 행렬의 독립적 매개변수 수 (2 모드의 경우 13 개, 3 모드의 경우 45 개) 와 일치하도록 저수지 크기 (모드 수) 가 확장되어야 함을 나타냅니다.
• 특징 추출: 시스템은 단 3 개의 검출기에서 얻은 데이터를 사용하여 순도, 폰 노이만 엔트로피, 음수성 등 주요 양자 특성을 높은 정밀도로 성공적으로 예측했습니다.
• 고전 분류: 이진 비선형 분류 과제 (얽힌 나선) 의 경우, 하드웨어 인식 훈련 기법은 약 79.7% 의 실험 정확도를 산출했습니다. 이는 기준선으로 작용한 이상적인 고전 시스템 (간섭성 입력, 강도 검출) 의 정확도를 능가했습니다. 교란 훈련 없이 실험 정확도는 하드웨어 불완전성으로 인해 현저히 낮았습니다.

의의
저자들은 이 작업이 양자 기술의 중요한 병목 현상인 양자 상태의 효율적인 탐지를 극복하는 실용적인 방법을 시연한다고 주장합니다. QRP 가 단일 측정 기저로 양자 과제를 수행하고 실험적 노이즈가 존재하는 경우에도 고전 영역보다 우수한 성능을 보임을 보여줌으로써, 이 논문은 기계 학습에서 실용적인 양자 우위로 나아가는 경로를 제시합니다. 결과는 통합 칩과 단일 광자 소스를 기반으로 한 확장 가능한 광자 장치가 양자 데이터 처리와 견고한 고전 계산 모두를 위해 양자 효과를 효과적으로 활용할 수 있음을 강조합니다. 이 연구는 범용 양자 컴퓨터가 아직 이용 가능하지 않지만, QRP 와 같은 특수 물리 QML 접근 방식이 특정 과제를 가속화하고 양자 특징을 추출하기 위한 실현 가능한 대안을 제공한다는 점을 강조합니다.