Dynamic distortion from discretized coupling feedback in soft-spin Ising machines

현대 컴퓨팅의 가장 까다로운 난제들을 해결하기 위한 탐구 과정에서, 과학자들은 이제 휴대폰과 노트북을 구동하는 실리콘 칩으로부터 눈을 돌리고 있습니다. 이러한 전통적인 기계들은 많은 작업에서 믿기지 않을 정도로 빠르지만, '조합 최적화(combinatorial optimization)'라고 알려진 특정 범주의 문제에서는 어려움을 겪습니다. 모든 변화가 다른 모든 부분에 영향을 미치는 천 개의 움직이는 부품에 대해 단 하나의 최적의 배치를 찾는 과정을 상상해 보십시오. 가능한 조합의 수가 너무 방대하여 표준 컴퓨터로는 이를 모두 확인하는 데 우주의 나이보다 더 긴 시간이 걸릴 것입니다. 이를 해결하기 위해 연구자들은 '이징 머신(Ising machine)'이라 불리는 새로운 종류의 기계를 개발했습니다. 이 장치들은 모든 가능성을 하나씩 확인하는 대신, 물리 법칙을 사용하여 자연스럽게 최적의 해답에 안착합니다. 이들은 전체 에너지를 최소화하는 방식으로 정렬되려는 작은 자성 입자, 즉 '스핀(spin)'의 행동을 모방합니다. 이러한 자성 스핀처럼 작동하는 진동자, 레이저 또는 전자 회로의 네트워크를 구축함으로써, 이 기계들은 복잡한 에너지 지형을 따라 미끄러져 내려가 정답에 해당하는 가장 낮은 지점을 찾아낼 수 있습니다.

하지만 이러한 물리적 가속기의 성능을 제한해 온 숨겨진 결함이 존재합니다. 이 기계들의 핵심 물리 법칙은 연속적이고 매끄럽지만, 부품들을 연결하는 방식은 종종 디지털 계산에 의존합니다. 기계가 두 스핀 사이의 연결 강도를 계산할 때, 정밀하고 연속적인 값을 한정된 단계의 디지털 숫자로 변환해야 하는데, 이는 마치 정밀한 측정값을 가장 가까운 정수로 반올림하는 것과 같습니다. '이산화(discretization)'라고 알려진 이 반올림 과정은 미묘하지만 치명적인 오류를 유발합니다. 이는 기계가 탐색하려는 에너지 지형을 왜곡하여, 시스템을 잘못된 답에 가두는 가짜 골짜기와 언덕을 만들어냅니다. 수년간 연구자들은 이러한 기계들이 더 정밀한 디지털 부품을 사용할 때 더 잘 작동한다는 사실을 알고 있었지만, 이 왜곡이 정확히 어떻게 발생하는지, 혹은 지나치게 비싼 하드웨어를 구축하지 않고 어떻게 이를 고칠 수 있는지에 대한 명확한 이해가 부족했습니다.

케임브리지 대학교의 연구팀은 이제 이 왜곡을 지도화하는 데 성공했으며, 이를 중화할 수 있는 놀라울 정도로 간단한 방법을 발견했습니다. 실제 하드웨어의 수학적 전달 함수를 분석함으로써, 그들은 디지털 피드백의 반올림으로 인해 발생하는 오류가 두 가지 주요 부분, 즉 시스템을 경로에서 벗어나게 만드는 '일정한 편향(constant shift)'과 기계의 움직임을 혼란스럽게 하는 일련의 '들쭉날쭉한 고주파 리플(ripples)'로 구성된다는 것을 확인했습니다. 연구진은 시스템에 작은 고정 편향을 추가함으로써 단순히 일정한 편향을 상쇄하여 디지털 척도를 효과적으로 재중심화할 수 있다는 것을 발견했습니다. 들쭉날쭉한 리플을 처리하기 위해, 그들은 기계에 특정 유형의 노이즈를 주입할 것을 제안했습니다. 일반적인 간섭와 관련된 무작위적인 정적 소음 대신, 그들은 특정 주파수 대역에 에너지 분포가 있는 패턴을 가진 '컬러드 노이즈(colored noise)'를 사용했습니다. 그들은 '바이올렛 노이즈(violet noise)'라고 알려진 특정 유형의 고주파 노이즈가 들쭉날쭉한 리플을 매끄럽게 만드는 필터 역할을 하여, 기계가 디지털 오류를 무시하고 해답을 향한 진정한 경로를 따를 수 있게 한다는 것을 발견했습니다.

이론을 검증하기 위해 연구팀은 점점 더 어려운 문제를 해결하는 이 기계들의 컴퓨터 시뮬레이션을 광범위하게 수행했습니다. 그들은 먼저 '뫼비우스 사다리(Möbius ladder)'라고 알려진 표준 벤치마크로 시작했는데, 이는 네트워크 구조의 특수한 유형으로, 연결이 왜곡되었을 때 해결하기는 어렵지만 검증하기는 용이합니다. 시뮬레이션 결과, 디지털 반올림 오류로 고통받는 보정되지 않은 기계들은 국소적인 함정에 자주 빠져, 좋은 답은 찾았으나 최적의 답은 찾지 못하는 모습을 보였습니다. 연구진이 고정 편향 추가와 바이올렛 노이즈 주입이라는 보정 방법을 적용하자, 기계의 성공률은 급격히 치솟았습니다. 50개의 스핀을 가진 시스템의 경우, 완벽한 해를 찾을 확률이 35%에서 99% 이상으로 뛰어올랐습니다. 이는 단순히 몇 가지 설정을 조정하는 문제가 아니라, 기계가 에너지 지형을 통과하는 방식의 근본적인 변화였으며, 이를 통해 디지털 하드웨어에 의해 생성된 인공적인 장벽을 우회할 수 있었습니다.

연구진은 이 방법이 더 복잡한 조건에서도 유효한지 확인하기 위해 테스트를 더 밀어붙였습니다. 그들은 난이도를 조절할 수 있는 문제를 조사하여, 기계가 진정한 답을 찾기 위해 가짜 안정감으로부터 탈출해야 하는 시나리오를 만들었습니다. 이러한 '어려운' 문제 영역에서 보정되지 않은 기계들은 상당한 어려움을 겪었으며, 종종 좋은 해답조차 찾지 못했습니다. 그러나 보정된 기계들은 높은 성공률을 유지하며, 가장 도전적인 구간에서 성능을 사실상 두 배로 높였습니다. 또한 연구팀은 최적화 기계들에게 매우 까다로운 것으로 알려진 2차원 타일링 문제에 이 아이디어들을 테스트했습니다. 이 테스트에서 보정되지 않은 기계들은 문제가 어려워짐에 따라 성공률이 2~3 자릿수만큼 급락하여 거의 0에 수렴했습니다. 반면, 보정된 기계들은 성공률을 약 100배에서 1,000배 더 높게 유지하며, 이 완화 전략이 문제가 가장 어려울 때 가장 잘 작동한다는 것을 증명했습니다.

이 연구의 가장 실질적인 함의 중 하나는 이것이 하드웨어 자체의 요구 사항을 변화시킨다는 점입니다. 보정 방법이 왜곡을 효과적으로 제거하기 때문에, 최고의 성능을 달로하기 위해 반드시 가장 비싸고 정밀한 디지털 부품을 사용할 필요가 없습니다. 시뮬레이션에 따르면, 보정된 기계는 최고 성능에 도달하기 위해 단 2비트의 정밀도만을 가진 디지털 부품으로도 충분했던 반면, 보정되지 않은 기계는 동일한 결과를 얻기 위해 3~4비트가 필요했습니다. 이는 엔지니어들이 단순한 편향 및 노이즈 주입 프로토콜을 포함한다면, 더 단순하고 저렴하며 에너지 효율적인 하드웨어를 사용하여 이러한 강력한 최적화 기계를 구축할 수 있음을 시사합니다. 연구진은 또한 보정된 기계가 노이즈의 정밀한 튜닝에 덜 민데, 즉 더 견고하고 실제 환경에서 운영하기 쉽다는 것을 발견했습니다.

이 연구는 디지털 피드백으로 인한 왜곡이 물리적 네트워크를 제어하기 위해 디지털 계산기를 사용하는 모든 기계에 영향을 미치는 보편적인 문제임을 확인시켜 줍니다. 명확한 왜곡 공식을 도출하고 이를 억제하는 방법을 보여줌으로써, 연구진은 이 분야 전체를 위한 일반적인 설계 도구를 제공했습니다. 그들의 연구는 더 강력한 최적화 기계를 구축하는 길이 반드시 더 복잡한 물리학이나 더 비싼 부품을 요구하는 것이 아니라, 디지털 제어의 피할 수 없는 불완전함을 다루는 더 스마트한 방식에 있다는 것을 시사합니다. 연구 결과는 적절한 조합의 작은 고정 조정과 특정 유형의 노이즈가 있다면, 이러한 물리적 컴퓨터가 디지털 뇌의 한계를 극념하고 이전에는 도달할 수 없었던 문제들을 해결할 수 있음을 나타냅니다.