Imaginarity as a necessary resource for trainability in QAOA

당신이 아주 수줍음이 많고 매우 복잡한 로봇에게 거대한 퍼즐을 푸는 법을 가르치려 한다고 상상해 보세요. 이 로봇은 우리와는 다르게 생각합니다. 로봇은 양자 역학의 세계에 살고 있어서, 동시에 여러 곳에 존재할 수도 있지만 동시에 믿을 수 없을 정도로 연약하기도 합니다. 이 로봇을 가르치기 위해 사용하는 도구는 QAOA(양자 근사 최적화 알고리즘)라고 불립니다. QAOA를 고도의 집중력을 요하는 "뜨겁다, 차갑다(Hot and Cold)" 게임이라고 생각해 보세요. 로봇은 해결책을 시도하고, 고전 컴퓨터(선생님)는 그것이 얼마나 좋은지 확인합니다. 만약 해결책이 "차갑다면"(나쁘다면), 선생님은 로봇의 설정을 조절하여 더 "뜨겁게"(더 좋게) 만들어야 합니다. 이를 효과적으로 수행하기 위해, 선생님은 어떤 방향으로 조절 나사를 돌려야 하는지 정확히 알려주는 명확한 신호, 즉 '그래디언트(gradient)'가 필요합니다.

하지만 문제가 하나 있습니다. 때때로 신호가 너무 작아져서 선생님이 전혀 들을 수 없게 될 때가 있습니다. 이것은 마치 나침반이 회전하는 것을 멈춘 안개 속에서 배를 조종하려는 것과 같습니다. 로봇은 갇히게 되고, 학습 과정은 중단됩니다. 과학자들은 로봇이 학습하기 위해서 그 신호를 계속 유지해 줄 특정한 종류의 "양자 즙(quantum juice)"이 필요하다고 오랫동안 의심해 왔습니다. 이 논문은 그 '즙'이 무엇인지 조사합니다. 이 연구는 "이매지너리티(imaginarity, 허수성)"라고 불리는 성질에 초점을 맞춥니다. 양자 세계에서 숫자는 "실수"(5나 -2 같은 것)일 수도 있고 "허수"(제곱근 -1을 포함하는 것)일 수도 있습니다. 실수는 눈에 보이는 것들을 설명하지만, 허수는 서로 다른 가능성들 사이의 숨겨진 파동 형태의 관계를 설명합니다. 이 논문은 아주 단순하지만 결정적인 질문을 던집니다. 이 "허수적인" 요소가 로봇이 학습하는 데 필수적인가?

사이예드 무함마드 알리 하산(Syed Muhammad Ali Hassan)과 동료들이 이끄는 연구진은 이 "이매지너리티"가 단순히 화려한 부수 효과가 아니라, 로봇이 앞으로 나아가기 위한 엄격한 요구 사항임을 증명하기 위해 노력했습니다. 그들은 선생님이 로봇의 최종 설정을 조정하는 데 사용하는 신호가 이러한 허수적 연결에 전적으로 의존한다는 것을 발견했습니다. 만약 로봇의 상태가 고려 중인 서로 다른 퍼즐 조각들 사이에 허수 부분이 없다면, 신호는 사라지고 로봇은 아무리 노력해도 학습할 수 없습니다.

이것을 어떻게 찾아냈는지 이해하기 위해, 로봇이 퍼즐의 가능한 해결책을 나타내는 카드 한 덱을 들고 있다고 상상해 보세요. 로봇은 "믹서"(카드를 교체하는 양자 연산)를 사용하여 이 카드들을 섞습니다. 선생님은 다음과 같이 묻고 싶어 합니다: "만약 내가 섞는 방식을 약간 바꾼다면, 점수가 개선될까?" 논문은 이 질문에 답하기 위해서는 카드들 사이에 "유령 같은" 연결고리, 즉 수학의 허수 부분에만 존재하는 연결고리가 있어야 한다고 보여줍니다. 구체적으로, 로봇은 단 하나의 작은 세부 사항(예: 비트를 0에서 1로 바꾸는 것)만 다른 두 카드 사이에 연결이 있어야 하며, 그 연결은 반드시 허수 성분을 가져야 합니다.

저자들은 단순히 추측한 것이 아니라, 로봇의 학습 신호에 대한 속도 제한 역할을 하는 수학적 규칙을 유도해 냈습니다. 그들은 신호의 강도가 믹서가 연결하는 카드들 사이의 "이매지너리티"와 그 카드들 사이의 점수 변화량에 의해 제한된다는 것을 증명했습니다. 만약 허수 부분이 0이라면, 신호도 0입니다. 이것은 마치 펑크 난 타이어를 가진 자동차를 미는 것과 같습니다. 아무리 세게 밀어도(각도를 아무리 바꿔도), 필수적인 성분(공기, 혹은 이 경우에는 허수 부분)이 없다면 자동차는 움직이지 않을 것입니다.

연구팀은 "Max-Cut"이라는 고전적인 퍼즐을 사용하여 이 아이디어를 테스트했습니다. Max-Cut은 친구 그룹을 두 팀으로 나누어, 팀 내부보다는 팀 간에 최대한 많은 논쟁이 일어나도록 하는 것과 같습니다. 그들은 이 이론이 제대로 작동하는지 확인하기 위해 작은 컴퓨터들로 시뮬레이션을 수행했습니다. 그들은 완벽하고 노이즈가 없는 세상에서는 규칙이 예측한 대로 정확히 작동했다는 것을 발견했습니다: 신호는 엄격하게 허수 연결에 의해 제한되었습니다.

하지만 실제 양자 컴퓨터는 무질서합니다. 그것들은 "노이즈"를 겪는데, 이는 라디오의 잡음이나 카드를 휘날리게 하는 돌풍과 같습니다. 연구진은 이 규칙이 세 가지 흔한 유형의 노이즈(위상 반전(phase-flip), 디폴라라이징(depolarizing), 진폭 감쇠(amplitude damping))를 추가했을 때도 여전히 작동하는지 확인했습니다. 그들은 노이즈를 고려하여 "점수"에 대한 관점을 조정한다면 이 규칙이 여전히 유효하다는 것을 발견했습니다. 흥주하게도, 한 가지 유형의 노이즈(위상 반전)에서 기묘한 특이점을 발견했는데, 이는 위상 반전이 최종 상태의 모든 허수 연결을 지워버려 로봇이 마치 "양자 즙"을 잃은 것처럼 보이게 할 수 있지만, 학습 신호는 정확히 동일하게 유지된다는 것이었습니다. 이는 학습에 필요한 "허수 즙"이 반드시 노이즈가 들이닥친 후의 지저도한 최종 상태의 속성이 아니라, 노이즈가 닿기 전의 상태의 속성임을 시사합니다.

시뮬레이션에서 연구진은 4개에서 8개의 비트(퍼즐 속 친구들의 양자적 등가물)를 사용했고 다양한 수준의 노이즈를 테스트했습니다. 그들은 "이매지너리티" 측도가 일반적인 "결맞음(coherence)"(실수와 허수 연결을 모두 포함하는 것)을 보는 것보다 학습 신호를 훨씬 더 잘 예측한다는 것을 발견했습니다. 이것은 댄스 경연 대회에서 이기기 위해 단순히 움직이는 것(결맞음)만으로는 부족하며, 특정한 리듬감 있게 움직여야 함(이매지너리티)을 깨닫는 것과 같습니다.

그렇다면 이것이 미래에 무엇을 의미할까요? 이 논문은 양자 컴퓨터를 훈련하는 문제를 해결했다고 주장하거나, 이매지너리티를 갖는 것이 성공을 보장한다고 말하지 않습니다. 사실, 그들은 이매지너티를 갖는 것이 필요조건이지만 충분조건은 아니라는 점을 분명히 밝히고 있습니다. 즉, 다른 재료들(예: 특정 각도나 퍼즐 구조)이 정렬되지 않는다면 즙을 가지고 있어도 실패할 수 있습니다. 이는 자동차에 적절한 연료가 있다고 해서 운전자가 길을 잃었거나 엔진이 고장 났다면 목적지에 도착하는 것이 보장되지 않는 것과 같습니다. 하지만 이 발견은 지도의 매우 중요한 조각입니다. 우리가 이 양자 로봇들을 효과적으로 훈련하고 싶다면, 우리는 이 특정한 허수적 연결을 유지하도록 해야 한다는 것을 알려줍니다. 그것이 없다면, 그래디언트 신호, 즉 선생님의 목소리는 존재할 수 없습니다.

이 연구는 해당 분야에 대한 현실적인 점검 역할을 합니다. 이는 양자 컴퓨터가 학습에 어려움을 겪을 때, 단순히 노이즈나 하드웨어를 탓할 것이 아니라, 양자 상태가 "이매지너티"를 잃었는지 확인해야 함을 시사합니다. 만약 그렇다면, 어떤 미세 조정도 도움이 되지 않을 것입니다. 연구진은 작은 사례들에 대한 정확한 시뮬레이션을 사용하여 수학적 경계가 실제로 작동함을 입증했으며, 이 이론이 적어도 현재 우리가 이해하고 있는 작은 규모의 통제된 퍼즐들에서는 유효함을 보여주었습니다. 이것이 거대하고 실제적인 문제들로 어떻게 확장될지는 아직 말할 수 없지만, 그들이 찾아낸 규칙은 오늘날 우리가 이해하는 양자 세계에 대한 확고하고 입증된 제약 조건입니다. 양자의 영역에서는, 때때로 무언가를 실재하게 만들기 위해 정말로 "허수적"으로 생각해야 한다는 사실이 밝혀졌습니다.