Evidence of Quantum Machine Learning Advantage with Tens of Noisy Qubits

본 논문은 시뮬레이션과 분석을 통해 30~40 개의 큐비트를 갖는 차세대 노이즈가 있는 장치에서도 고전적 고정 측정 방식에 비해 명확한 양자 기계 학습 우위가 지속되며, 주요 병목 현상이 고전적 계산에서 데이터 획득으로 이동함을 보여준다.

핵심

복잡한 퍼즐을 풀려고 한다고 상상해 보세요. 하지만 제공된 조각들은 약간 흐릿하고, 작업 중인 테이블은 흔들리고 있습니다. 이것이 양자 컴퓨터의 현재 상태입니다. 그들은 강력하지만 '노이즈가 많아서' 처리하는 데이터가 쉽게 손상됩니다.

이 논문은 단순하지만 심오한 질문을 던집니다: 이러한 노이즈가 있음에도 불구하고, 양자 컴퓨터가 고전 컴퓨터 (예: 노트북) 보다 특정 학습 문제를 훨씬 빠르게 해결할 수 있을까요?

저자들은 그렇다고 말하며, 단 30~40 개의 노이즈가 있는 큐비트 (양자 정보의 기본 단위) 만으로도 이것이 가능함을 증명합니다.

일상적인 비유를 사용하여 그들의 발견을 살펴보면 다음과 같습니다:

1. 두 경쟁자: '전지전능한 눈' 대 '스냅샷 촬영자'

이 논문은 양자 데이터에서 학습하는 두 가지 방식을 비교합니다:

• 완전 양자 (FQ) 프로토콜 ('전지전능한 눈'): 이 방법은 데이터를 양자 형태로 유지한 채 학습합니다. 양자 상태를 직접 조작할 수 있는 특별한 '간섭성' 렌즈를 통해 살아 숨 쉬는 객체처럼 다룹니다. 조각들을 개별적으로 보지 않고, 한 번에 전체 그림을 봅니다.
• 측정 우선 (MF) 프로토콜 ('스냅샷 촬영자'): 이는 고전적인 접근법입니다. 양자 데이터를 즉시 '붕괴'시키도록 강요합니다. 양자 상태의 사진 (측정) 을 찍어 0 과 1 의 고전적 리스트로 변환한 후, 표준 수학을 사용하여 퍼즐을 풀려고 시도합니다.

비유: 복잡한 수프에서 특정 맛을 찾아내려 한다고 상상해 보세요.

• FQ 방법은 수프가 뜨겁고 소용돌이치는 동안 맛을 보며, 혀 전체를 사용하여 미묘한 맛의 혼합을 즉시 감지하는 것과 같습니다.
• MF 방법은 한 숟가락 떠서 식혀 얼음 덩어리로 굳힌 다음, 막대기로 얼음을 찌르며 맛을 추측하는 것과 같습니다. FQ 방법이 한 번에 얻은 정보와 동일한 정보를 얻으려면 MF 방법은 수백만 번의 숟가락을 떠야 합니다.

2. 문제: 노이즈는 라디오의 '정전기'입니다

실제 세계에서는 양자 데이터에 노이즈가 있습니다. 터널을 지나며 많은 정전기가 낀 라디오 방송을 듣는 것과 같습니다.

• 두려움: 과학자들은 이 '정전기' (노이즈) 가 양자 우위를 망칠 것이라고 우려했습니다. '전지전능한 눈'이 노이즈에 너무 혼란스러워져 '스냅샷 촬영자'가 따라잡을 것이라고 생각했습니다.
• 놀라움: 저자들은 '전지전능한 눈'이 놀라울 정도로 튼튼하다는 것을 발견했습니다. 많은 정전기가 있더라도 여전히 신호를 명확하게 들을 수 있습니다. 반면, '스냅샷 촬영자'는 노이즈에 완전히 휩쓸려 버립니다.

3. 결과: 엄청난 시간 차이

이 논문은 다양한 유형의 '노이즈가 있는' 양자 하드웨어 (현재의 실제 장치를 대표함) 에 시뮬레이션을 실행했습니다. 그 결과, 양자 방법의 정확도와 일치하려면 고전적인 '스냅샷 촬영자'가 기하급수적으로 더 많은 측정을 수행해야 함을 발견했습니다.

• 규모: 단 30~40 개의 큐비트만으로도, 고전적인 방법은 양자 컴퓨터가 한 번의 실행으로 달성하는 것과 맞먹기 위해 수개월에서 수년 동안 측정을 수행해야 합니다.
• 병목 현상: 논문은 문제가 고전 컴퓨터의 계산 속도가 느린 것이 아니라, 단순히 데이터를 수집하는 데 시간이 너무 오래 걸린다고 지적합니다. 국자 한 스푼으로 수영장을 채우려는 것과 같습니다.

4. '열적 완화'의 반전

가장 흥미로운 발견 중 하나는 '열적 완화'라고 불리는 특정 유형의 노이즈와 관련이 있습니다 (큐비트가 자연적으로 에너지를 잃고 마치 천천히 멈추는 팽이처럼 안정화되는 현상).

• 직관에 반하는 효과: 보통 노이즈가 많을수록 나쁩니다. 하지만 여기서는 '스냅샷 촬영자'가 이 특정 유형의 노이즈에 의해 파괴되는 반면, '전지전능한 눈'은 견고하게 남습니다.
• 비유: '스냅샷 촬영자'가 깜빡이는 전등이 있는 방에서 책을 읽으려 한다고 상상해 보세요. '전지전능한 눈'은 맥락을 이해하기 때문에 전등이 깜빡여도 책을 읽을 수 있는 사람과 같습니다. 이 특정 시나리오에서 깜빡이는 전등은 실제로 '스냅샷 촬영자'가 완전히 포기하게 만들어 두 방법 사이의 격차를 더욱 넓힙니다.

5. 결론: '완벽한' 컴퓨터를 기다릴 필요가 없습니다

가장 중요한 교훈은 오류가 없는 완벽한 양자 컴퓨터를 기다릴 필요가 없다는 점입니다.

• 주장: 우리는 현재 노이즈가 있는 하드웨어에서 단 30~40 개의 큐비트만으로도 명확하고 부인할 수 없는 양자 우위를 입증할 수 있습니다.
• 현실: 오늘날 고전 컴퓨터에서 이 학습 작업을 시도한다면, 데이터 수집을 위해 수년을 기다려야 할 것입니다. 양자 컴퓨터라면 몇 분 또는 몇 시간 안에 해낼 수 있습니다.

요약하자면:
이 논문은 오늘날의 불완전한 양자 컴퓨터가 가진 '정전기'와 '흔들림'에도 불구하고, 특정 작업에 있어 양자 학습 접근법이 고전적 접근법보다 여전히 압도적으로 우수함을 증명합니다. 이는 미래의 이론적 꿈이 아니라, 지금 우리가 가진 기계로 볼 수 있는 현실입니다.

기술 요약

기술적 요약: 수십 개의 노이즈 큐비트를 이용한 양자 머신러닝 우위의 증거

문제 제기
양자 알고리즘이 특정 계산 작업에서 고전적 방법보다 우월하다는 것이 이론적으로 증명되었음에도 불구하고, 현재의 노이즈가 있는 중간 규모 양자 (NISQ) 하드웨어에서 이러한 우위를 입증하는 것은 여전히 중요한 과제입니다. 단기적 우위의 주요 후보는 입력과 처리가 본질적으로 양자인 양자 데이터로부터 학습하는 것입니다. 이전의 이론적 연구는 양자 상태를 일관성 있게 처리하는 완전 양자 (FQ) 프로토콜이 고정된 측정 후 고전적 처리에 의존하는 '측정 우선 (MF)' 프로토콜보다 점근적 지수 우위를 가진다고 규명했습니다. 그러나 상태 준비 노이즈, 게이트 오류, 제한된 연결성, 판독 불완전성 등 현실적인 조건 하에서 수십 개의 큐비트와 같은 유한 규모에서 이러한 성능 격차가 유지되는지는 불확실했습니다.

방법론
저자들은 참조문헌 [9] 에서 소개된 특정 학습 작업을 조사했는데, 여기서 목표는 무작위 위상 상태 $|\psi_f\rangle$에 대한 타겟 측정의 결과를 예측하는 것입니다. 이 작업은 숨겨진 불리언 함수 $f$와 타겟 비트열 $\alpha$에 대해 비트 $b = f(y) \oplus f(y \oplus \alpha)$를 예측해야 합니다.

이 연구는 두 가지 경쟁 패러다임을 평가하는 비교 프레임워크를 사용합니다:

1. 완전 양자 (FQ) 프로토콜: 훈련 데이터로부터 학습된 일관성 양자 회로 $U(\alpha)$가 측정 전에 양자 상태에 적용됩니다. 저자들은 게이트 오류, 유휴 디코히어런스 ($T_1, T_2$), 판독 오류 등 현실적인 노이즈를 모델링하기 위해 세 가지 다른 하드웨어 유형 (Device A: 모든-대-모든 연결성; Device B: 높은 충실도의 정사각형 격자; Device C: 낮은 충실도와 짧은 결맞음 시간을 가진 정사각형 격자) 에서 이 프로토콜을 시뮬레이션했습니다.
2. 측정 우선 (MF) 프로토콜: 이러한 전략은 레이블을 관찰하기 전에 고정된 측정 방식을 채택합니다. 저자들은 여러 최적화된 MF 접근법을 분석했습니다:
   • 섀도 기반 방법: 로컬 추정기, eigenshadow (재구성된 밀도 행렬의 주 고유벡터), 그리고 섀도 데이터를 해밍 쉘 특징으로 압축하는 물리 정보 머신러닝 (ML) 분류기를 포함합니다.
   • 초그래프 기반 방법: 근본적인 불리언 함수의 대수적 정규형을 활용하는 구조적 접근법입니다.

핵심 지표는 MF 프로토콜이 유의성 마진 $\eta$ 내에서 FQ 프로토콜의 정확도와 일치하는 데 필요한 상태 복사본의 수로 정의된 샘플 복잡도 ($n_c$) 입니다. 저자들은 확장 가능한 시뮬레이션 파이프라인 (최대 22 큐비트) 과 고전적 섀도를 위한 대리 모델을 사용하여 더 큰 시스템 크기 (30~50 큐비트) 로의 성능을 외삽했습니다.

주요 기여

• 현실적인 노이즈 모델링: 이 논문은 점근적 복잡도를 넘어 위상 소실, 열적 완화, 탈분극과 같은 구체적이고 물리적으로 동기화된 노이즈 채널 및 하드웨어 제약 (연결성, 결맞음 시간) 하에서 성능을 평가합니다.
• 최적화된 고전적 기준선: 일반적인 고전적 기준선을 사용하는 대신, 저자들은 새로운 초그래프 인증 방법과 노이즈 적응형 ML 분류기를 포함한 작업별 MF 전략을 개발하고 벤치마크하여 엄격한 비교를 보장합니다.
• 확장 가능한 시뮬레이션 프레임워크: 궤적 감축 시뮬레이터와 섀도 단층 촬영을 위한 가우스 대리 모델의 개발은 직접적인 전체 상태 시뮬레이션 이상의 규모에서 FQ 정확도와 MF 샘플 복잡도를 효율적으로 추정할 수 있게 합니다.

결과

• 유한 규모 우위: 시뮬레이션은 30~40 개의 노이즈 큐비트 규모에서 명확한 성능 분리를 보여줍니다. 이 규모에서 가장 효율적인 MF 프로토콜은 1 $\mu$s 실험 주기 시간을 가정할 때 FQ 프로토콜의 정확도와 일치하기 위해 수개월에서 수년의 데이터 수집이 필요합니다.
• 노이즈 의존적 역학: 우위의 크기는 노이즈 유형에 매우 민감합니다.
  • 열적 완화 (진폭 감쇠) 하에서 우위가 가장 두드러집니다. MF 프로토콜 (특히 초그래프 방법) 은 측정 편향과 인구 이동으로 인해 심각한 저하를 겪는 반면, FQ 프로토콜은 상대적으로 견고하게 유지됩니다.
  • 위상 소실 하에서 우위는 작지만 여전히 유의미하며, 특히 낮은 노이즈 진폭에서 그렇습니다.
• 하드웨어 제약: 이 우위는 단기 장치에서 접근 가능하지만 연결성과 결맞음에 의해 제한됩니다. 모든-대-모든 연결성을 가진 장치 (Device A) 나 높은 충실도의 로컬 연결성을 가진 장치 (Device B) 는 견고한 우위를 보입니다. 저품질 장치 (Device C) 는 해결 가능한 우위를 유지하기 위해 문제를 더 작은 개념 크기 ($|\alpha| = n_q/2$) 로 제한해야 합니다.
• 병목 현상 식별: 이 연구는 FQ 프로토콜의 경우 근본적인 병목 현상이 고전적 계산에서 데이터 수집으로 이동한다는 점을 확인합니다. MF 전략으로 FQ 성능을 맞추는 것은 계산 한계가 아니라 필요한 측정의 지수적 확장으로 인해 불가능해집니다.

의의 및 주장
이 논문은 수십 개의 노이즈 큐비트를 가진 단기 장치에서 강력한 양자 학습 우위가 접근 가능하다는 최초의 구체적인 증거를 제공한다고 주장합니다. 저자들은 이 우위가 단순히 이론적 점근적 결과가 아니라 현실적인 하드웨어 노이즈와 유한 규모 하에서도 생존한다고 강조합니다.

작업의 중요성에 관한 주요 주장은 다음과 같습니다:

• 실현 가능성: 필요한 시스템 크기 (30~40 큐비트) 와 노이즈 수준은 현재 또는 가까운 미래의 양자 하드웨어로 달성 가능한 범위 내에 있어, 학습 분야에서 양자 우위의 실용적 증명이 임박했음을 시사합니다.
• 노이즈의 특징: 노이즈가 항상 양자 우위를 감소시킨다는 직관과 달리, 저자들은 특정 노이즈 채널 (예: 열적 완화) 이 고전적 데이터 수집 전략을 불균형적으로 처벌함으로써 FQ 와 MF 프로토콜 간의 상대적 격차를 실제로 확대할 수 있음을 보여줍니다.
• 실용적 관련성: 특정 학습 작업이 인위적으로 고안되었지만, 저자들은 이것이 무작위 위상 상태 준비 및 일관성 처리에 대한 엄격한 벤치마크 역할을 한다고 주장합니다. furthermore, 이 작업은 많은-body 대칭성과 상관관계를 관찰하는 것과 매핑되며, 좌절된 자기성과 스핀 유리에서의 잠재적 응용 분야가 있습니다.

저자들은 일반화 가능성에 대해 겸손한 어조를 유지하며, 이 특정 작업이 우위를 보이는 것으로 입증되었지만 양자 데이터를 가진 학습 문제의 더 넓은 범주가 이러한 속성을 공유할 가능성이 높지만 이를 확인하기 위해서는 추가 연구가 필요하다고 지적합니다. 이 연구는 양자 대 고전 전략의 상대적 성능이 단일 추상적 오류율이 아니라 노이즈의 물리적 특성에 크게 의존함을 확립합니다.