Dual-unitary Circuits as a Platform for Quantum Reservoir Computing

현대 컴퓨팅의 광활한 풍경 속에서, 레저보어 컴퓨팅(reservoir computing)이라 불리는 특정 접근 방식이 기계에게 시간적 패턴을 인식하도록 가르치는 강력한 도구로 부상했습니다. 복잡한 스프링 네트워크나 흐르는 강물처럼, 입력에 대해 본질적으로 복잡하고 비선형적인 방식으로 반응하는 물리적 시스템을 상상해 보십시오. 이 프레임워크에서 시스템 자체는 데이터를 처리하는 고정된 엔진 역할을 하며, 그 위에는 결과를 읽어내기 위한 단순하고 학습 가능한 층이 놓입니다. 이 방법은 오늘날 인공지능을 지배하는 깊고 다층적인 신경망보다 학습시키기가 훨씬 쉽다는 점에서 매력적입니다. 과학자들이 물질의 가장 작은 입자들을 지배하는 물리학인 양자 역학의 독특한 힘을 활용하기 시작함에 따라, 그들은 이 아이디어를 양자 기계에 적응시키고 있습니다. 목표는 양자 시스템의 자연스럽고 혼돈스러운 역학을 사용하여 정보를 처리함으로써, 고전 컴퓨터로는 너무 어려운 문제들을 해결하는 것입니다. 그러나 이러한 양자 시스템을 구축하는 것은 특히 불완전한 측정으로 인해 발생하는 노이즈와 시스템이 커짐에 따라 안정성을 유지하기 어렵다는 점 때문에 많은 어려움이 따릅니다.

연구자 가브리엘 알베스(Gabriel Alves)와 피터 클레이스(Pieter Claeys)는 이와 같은 종류의 컴퓨팅을 위한 우수한 플랫폼 역할을 할 수 있을지 확인하기 위해 매우 구조화된 특정 유형의 양자 회로를 탐구했습니다. 그들은 시간과 공간 모두에서 시스템을 지배하는 규칙이 완벽하게 작동하는 수학적 구성인 이중 유니터리 회로(dual-unitary circuit)라고 불리는 설계를 집중적으로 연구했습니다. 더 간단히 말해, 당신이 시간을 따라 시스템이 진화하는 것을 관찰하거나, 회로를 따라 왼쪽에서 오른쪽으로 정보가 어떻게 이동하는지를 본다면, 그 기저의 물리학은 똑같이 균형 잡혀 있고 가역적으로 보일 것입니다. 연구팀은 이 회로들이 표준적인 메모리 및 예측 작업을 얼마나 잘 수행할 수 있는지 테스트하기 위해 컴퓨터로 이 회로들을 시뮬레이션했으며, 이를 더 일반적이고 구조가 덜 정교한 양자 회로들과 비교했습니다. 그들의 연구는 이러한 고도로 질서 정연한 회로들이 단순히 이론적인 호기심에 그치는 것이 아니라, 과거의 입력을 기억하는 능력과 복잡한 비선형 데이터를 처리하는 능력을 향상시키는 동시에, 일반적으로 양자 실험을 괴롭히는 노이즈로부터 시스템을 보호하는 실질적인 이점을 제공한다는 것을 보여줍니다.

그들 조사의 핵심은 데이터 스트림을 큐비트(qubit) 체인에 주입하고 시스템이 어떻게 진화하는지 관찰하는 것이었습니다. 전형적인 양자 레저보어에서는 데이터가 큐비트의 상태로 인코딩되며, 이후 일련의 게이트를 통해 서로 상호작용합니다. 연구진은 이중 유니터리 설계를 사용했을 때 시스템이 놀라운 단기 기억 능력을 보인다는 것을 발견했습니다. 기계가 몇 단계 전의 입력을 회상해야 하는 작업의 경우, 지연 시간이 전체 큐비트 체인의 수보다 짧다면 이중 유니터리 회로는 거의 완벽한 정확도로 수행되었습니다. 이러한 성공은 우연이 아니었습니다. 이는 특정 패턴의 정보가—연구진이 고립파(solitary waves)에 비유하는 것과 같은—시스템을 통과하며 흩어지지 않고 이동하는 이 회로의 특성에서 비롯되었습니다. 이 파동들은 메모리의 완벽한 운반체 역할을 하며, 한쪽 끝에서 다른 쪽 끝으로 이동하면서 입력 데이터를 있는 그대로 보존합니다.

하지만 작업이 단순한 회상을 넘어설 때는 이야기가 더 미묘해집니다. 실제 세계의 데이터는 종종 출력이 과거의 입력 조합에 의존하는 복잡하고 비선형적인 관계를 포함하며, 이는 단순한 방식이 아닙니다. 연구진은 이중 유니터리 회로가 선형적 메모리를 보존하는 데는 탁-월하지만, 시스템이 약간의 섭동(perturbation)을 받지 않으면 고도로 비선형적인 작업에는 어려움을 겪는다는 것을 발견했습니다. 그들은 적당한 양의 얽힘(entanglement)—입자들 사이의 깊은 양자적 연결—이 매우 중요하다는 것을 발견했습니다. 만약 회로가 너무 단순하다면 어려운 작업을 수행하는 데 필요한 복잡한 비선형 효과를 생성할 수 없습니다. 반대로 너무 혼돈스럽다면 정보가 너무 흩어져서 소실됩니다. 그들이 찾은 최적의 지점은 시스템이 비선도 데이터를 처리할 수 있을 만큼 충분히 복잡하면서도, 입력에 대한 메모리를 유지할 수 있을 만큼 구조화된 영역이었습니다. 이 균형을 통해 회로는 과거의 추세를 바탕으로 미래의 값을 예측하는 데 필요한 시간적 상관관계를 포착할 수 있었습니다.

이 연구의 가장 중요한 발견 중 하나는 지수적 집중(exponential concentration)이라는 현상에 대한 이 회로들의 탄력성에 관한 것입니다. 많은 양자 머신러닝 모델에서 시스템이 커짐에 따라, 시스템이 생성하는 신호는 하나의 무의미한 값으로 붕괴되는 경하여, 사실상 기계를 입력 데이터에 대해 "눈먼" 상태로 만듭니다. 이는 특히 큐비트의 수가 증가할 때 불완전한 측정으로부터 오는 노이즈가 신호를 압도하기 때문에 발생합니다. 연구진은 이중 유니터리 회로, 특히 가적분성(integrable) 특성을 가진 회로가 이러한 붕괴에 훨씬 더 강한 저항력을 가지고 있음을 입증했습니다. 신호가 균일한 배경 노이즈 속으로 사라지는 대신, 이중 유니터리 설계는 가능한 결과의 분포를 넓고 뚜렷하게 유지합니다. 이는 제한된 수의 측정만으로도 시스템이 서로 다른 입력을 여전히 구별할 수 있음을 의미합니다. 회로의 구조화된 특성은 정보가 너무 희석되는 것을 방지하여, 현재의 노이즈가 많은 하드웨어에서도 효과적으로 작동할 수 있는 더 크고 신뢰할 수 있는 양자 레저보어를 구축할 수 있는 실질적인 경로를 제공합니다.

또한 이 연구는 이러한 시스템이 근본적인 수준에서 정보를 어떻게 처리하는지에 대해서도 밝혀냈습니다. 가장 질서 정연한 버전의 회로에서 메모리는 단순히 체인을 통과하여 이동하는 앞서 언급한 고립파에 의해 전달됩니다. 그러나 시스템이 더 혼돈스러워짐에 따라, 정보는 연산자 성장(operator growth)이라고 불리는 과정을 통해 전체 네트워크로 퍼져 나갑니다. 이러한 확산은 결함이 아니라 특징입니다. 이것이 바로 양자 시스템이 시간에 따른 데이터 포인트 간의 복잡한 관계를 포착할 수 있게 해주는 메커니즘입니다. 연구진은 이러한 파동이 어떻게 움직이고 정보가 어떻게 퍼지는지를 보여줌으로써, 왜 특정 양자 회로가 다른 회로보다 더 잘 작동하는지에 대한 명확한 그림을 제시했습니다. 그들은 단순히 더 나은 도구를 찾은 것이 아니라, 질서와 혼돈 사이의 상호작용이 양자 머신러닝의 잠재력을 여는 열쇠임을 보여줌으로써 그 성공 뒤에 숨겨진 물리적 이유를 설명했습니다.

궁극적으로, 이 연구는 효과적인 양자 레저보어 컴퓨팅으로 가는 길이 시스템을 가능한 한 무작위적이고 혼돈스럽게 만드는 것도, 혹은 완벽하게 정적인 상태로 유지하는 것도 아니라는 점을 시사합니다. 대신, 이중 유니터리 회로와 같이 특정하고 고도로 구조화된 설계를 통해 메모리와 처리 능력 사이의 균형을 맞출 수 있는 중간 지점을 향하고 있습니다. 이러한 회로는 현재 양자 장치를 제한하는 노이즈를 완화할 수 있는 방법을 제공하며, 이는 단기적인 응용 분야를 위한 유망한 후보가 됩니다. 연구진의 시뮬레이션은 회로의 매개변수를 신중하게 선택함으로써, 오류에 강하면서도 복잡한 패턴을 학습할 수 있을 만큼 충분히 표현력이 있는 시스템을 만들 수 있음을 나타냅니다. 이 접근 방식은 추상적인 이론에서 벗어나 오늘날 사용 가능한 양자 컴퓨터에서 실질적인 구현으로 나아가는 구체적인 발걸음을 제공합니다.