Machine Learning of Quantum Entanglement from Noisy Measurements

당신이 두 개의 마법 주사위가 보이지 않는 실로 비밀스럽게 연결되어 있는지 알아내려 한다고 상상해 보세요. 양자 물리학의 세계에서 이 "보이지 않는 실"은 **얽힘(entanglement)**이라고 불립니다. 입자들이 얽혀 있을 때, 그들은 아무리 멀리 떨어져 있어도 하나의 팀처럼 행동합니다. 예를 들어, 하나를 던져서 6이 나왔다면 다른 하나도 즉각적으로 특정 숫자를 보여줄 수 있습니다. 이것은 단순히 멋진 기술이 아닙니다. 이것은 해킹 불가능한 인터넷과 초고속 컴퓨터와 같은 미래 기술의 기반이 되는 초능력입니다.

입자들이 실제로 얽혀 있는지 확인하기 위해, 과학자들은 보통 "퍼즐 재구성하기" 게임을 합니다. 그들은 수천 번의 측정을 수행하고, 무거운 수학 계산을 통해 입자의 완전한 그림(밀도 행렬이라고 불림)을 다시 그려낸 뒤, 그 그림에서 보이지 않는 실을 찾아냅니다. 이것은 마치 케이크의 부스러기 한 조각을 맛보기 위해 케이크 전체를 처음부터 다시 구워 맛을 보려는 것과 같습니다. 하지만 만약 우리가 그냥 테이블 위의 부스러기만 보고도 즉시 맛을 알 수 있다면 어떨까요? 이것이 바로 이 논문이 던지는 질문입니다: 우리는 무거운 수학 계산을 건너뛰고 스마트한 컴퓨터 프로그램을 사용하여 원시 데이터로부터 직접 얽힘을 포착할 수 있을까요?

마법의 부스러기와 똑똑한 추측가들

이 연구에서 연구진은 당신의 휴대폰이 얼굴을 인식하는 데 도움을 주는 종류의 컴퓨터 지능인 **머신러닝(ML)**이, 전체 양자 그림을 재구축하는 힘든 과정 없이도 양자 얽힘을 찾아낼 수 있는지 테스트하기로 했습니다. 그들은 종종 케이블이나 공중을 통해 보내기 쉬워 양자 실험에 자주 사용되는 광자라고 불리는 빛 입자 쌍에 집중했습니다.

보통 이 광자들을 이해하기 위해 과학자들은 SIC-POVM이라는 특별한 측정 도구를 사용합니다. 이것을 16면체 주사기라고 생각하면 됩니다. 이 주사위를 던지면 광자들이 어떻게 행동하는지 알 수 있습니다. 주사위를 던질 때마다 숫자가 하나 나오고, 여러 번 던지고 나면 16개의 숫자(벡터) 목록을 얻게 됩니다. 현실 세계에서 이 숫자들은 "샷 노이즈(shot noise)" 때문에 지저나는데, 이는 개별 광자의 수를 세는 과정에서의 무작위성으로, 마치 폭풍 속에서 빗방울의 수를 세려는 것과 같습니다.

연구진은 컴퓨터가 이 지저분한 16개 숫자 목록만 보고도 "연결된(얽힌)" 상태와 "연결되지 않은(분리된)" 상태의 차이를 학습할 수 있는지 확인하기 위해 대규모 실험을 시뮬레이션하여 두 가지 유형의 데이터셋을 만들었습니다.

첫 번째 테스트: 쉬운 "예/아니오" 게임

먼저, 그들은 매우 명확한 두 그룹을 가진 데이터셋을 만들었습니다: 확실히 분리된(연결되지 않은) 광자와 최대 얽힘(매우 강력하게 연결된) 상태의 광자입니다. 그들은 이 "부스러기 목록"의 예시를 20,000개 생성했습니다.

그들은 다섯 가지 유형의 머신러닝 알고리즘에게 다음과 같은 게임을 가르쳤습니다: "이 16개의 숫자 목록을 봐. 이게 연결된 거야, 아니면 아니야?"

• 결과: 컴퓨터들은 놀라울 정도로 뛰어났습니다. 일반적인 양의 훈련 데이터를 주었을 때, **서포트 벡터 머신(SVC)**이나 랜덤 포레스트(Random Forests) 같은 알고리즘은 1.0000(100% 정확도)이라는 완벽한 점수를 받았습니다. 그들은 즉각적으로 차이를 구분해 냈습니다.
• "적은 데이터" 도전 과제: 이 알고리즘들이 얼마나 강력한지 보기 위해, 연구진은 학습할 데이터가 거의 없는 상태, 즉 단 40개의 예시(연결된 것 20개, 연결되지 않은 것 20개)만을 주었습니다. 이것은 단 두 문장만 읽고 새로운 언어를 배우려는 것과 같습니다. 이 아주 작은 샘플에도 불구하고, K-최근접 이웃(K-Nearest Neighbors), SVC, 랜덤 포레스트 알고리즘은 여 still 100%의 정확도를 유지했습니다.
• 단서: 연구진은 또한 컴퓨터에게 어떤 것이 무엇인지 알려주지 않고 데이터를 그룹화하도록(비지도 클러스터링) 시도했습니다. 컴퓨터는 20,000개의 목록을 두 개의 완벽한 그룹으로 자연스럽게 나누었으며, 20,000개 중 오직 5개의 실수만 발생했습니다. 이는 얽힌 광자의 데이터 "모양"이 노이즈가 있음에도 불구하고 연결되지 않은 광자의 모양과 본질적으로 다르다는 것을 시사합니다.

두 번째 테스트: "아마도" 게임

첫 번째 테스트는 그룹 간의 거리가 멀어서 쉬웠습니다. 하지만 현실 세계에서 얽힘은 단순히 "예" 또는 "아니오"가 아닙니다. "조금 연결됨" 또는 "매우 연결됨"과 같이 나타날 수 있습니다. 이를 테스트하기 위해 연구진은 "완전히 연결되지 않은" 상태부터 "완벽하게 연결된" 상태까지 미세하게 조정할 수 있는 **워너 상태(Werner states)**를 사용했습니다.

그들은 모든 수준의 얽힘을 포함하는 250,000개의 방대한 예시 데이터셋을 만들었습니다.

• 분류: 컴퓨터는 여전히 "연결됨"과 "연결되지 않음"을 잘 구분했습니다. 가장 우수한 알고리즘인 SVC는 0.99498(약 99.5%)의 정확도를 기록했습니다.
• 어려운 지점: 연구진은 컴퓨터가 상태가 간신데 얽힘이 시작되는 "경계선" 근พื้นที่에서 주로 실수를 한다는 것을 발견했습니다. 이것은 물 수위가 바람에 흔들릴 때 컵이 "반쯤 찼는지" 혹은 "반쯤 비었는지"를 구별하려는 것과 같습니다. 노이즈 때문에 아주 약하게 연결된 상태와 연결되지 않은 상태를 구별하는 것이 어려웠습니다.
• 회귀 (The "How Much?" Game): 단순히 "예" 또는 "아니오"라고 말하는 대신, 연구진은 컴퓨터에게 정확한 얽힘의 양(0에서 1 사이의 숫자)을 맞히도록 요청했습니다. 그들은 **서포트 벡터 회귀(SVR)**와 **랜덤 포레스트 회귀(RFR)**라는 두 가지 방법을 사용했습니다.
  • 모든 250,000개의 예시로 훈련된 RFR 모델은 최고의 스타였습니다. 이 모델은 결정 계수(R²) 0.99947로 얽힘의 양을 예측했습니다.
  • 놀라운 발견: 그들은 이 결과를 기존 방식인 전체 양자 그림을 재구축하는 방식(양자 상태 토모그래피, QST)과 비교했습니다. QST 방식의 오차율은 0.0066이었던 반면, RFR 방식의 오차율은 단 0.00315로 훨씬 더 낮았습니다.

이것이 의미하는 바

이 논문은 양자 그림 전체를 재구축하는 무거운 수학 계산을 반드시 할 필요는 없다는 것을 보여줍니다. 현실적인 "빗방울" 노이즈(포아송 샷 노이즈)를 포함한 이 시뮬레이션에서, 머신러닝은 원시 측정 데이터만 보고도 "이것들은 연결되어 있다"라고 말하거나, 심지어 "85% 연결되어 있다"라고 놀라운 속도와 정확도로 말할 수 있었습니다.

연구진은 이 16차원 공간에서의 데이터 "모양"이 얽힘의 비밀을 간직하고 있으며, 스마트한 알고리즘은 데이터가 지저분하더라도 그 모양을 찾아낼 수 있다는 것을 발견했습니다. 이 연구는 시뮬레이션 데이터로 수행되었으며, 아직 고장 난 검출기나 신호 손실과 같은 모든 실제 환경의 변수를 고려하지는 않았지만, 머신러닝이 강력한 새로운 도구임을 증명합니다. 이는 미래에 우리가 느리고 복잡한 수학 단계를 건너뛰고 곧바로 정답을 얻는, 실시간 양자 실험 분석이 가능해질 것임을 시사합니다.