Temporal information processing on a 4,500-qubit quantum annealer

컴퓨팅의 세계에서 기계는 점점 더 빨라지고 작아지고 있지만, 미래의 복잡한 과업들을 위해 이들을 진정으로 유용하게 만드는 방법은 여전히 해결해야 할 과제로 남아 있습니다. 한 가지 유망한 경로는 컴퓨터가 데이터의 패턴으로부터 학습하도록 가르치는 것인데, 이 분야를 머신러닝이라고 합니다. 고전적인 컴퓨터는 많은 일에 탁월하지만, 날씨 패턴이나 주식 시장처럼 시간이 흐름에 따라 변하는 데이터를 처리할 때는 어려움을 겪기도 하는데, 이는 현재를 처리하는 동안 과거를 기억하는 자연스러운 방법을 갖추지 못했기 때문입니다. 과학자들은 오랫동안 양자 역학의 기묘한 법칙에 따라 작동하는 양자 기계가 이러한 종류의 시간적 정보를 더 잘 다룰 수 있을 것이라고 믿어 왔습니다. 그러나 유용할 만큼 충분히 크면서도 학습시키기에 단순한 양자 컴퓨터를 구축하는 것은 주요한 장애물로 남아 있었습니다. 대부분의 시도는 기계가 커질수록 실패하는 경우가 많은, 비용이 많이 들고 까다로운 훈련 과정을 요구합니다.

최근 한 연구팀이 거대한 양자 기계를 사용하여 새로운 접근 방식을 테스트함으로써 중요한 진전을 이루었습니다. 그들은 특정 문제를 해결하기 위해 시스템의 가장 낮은 에너지 상태를 찾는 데 설계된 양자 어닐러(quantum annealer)라는 장치를 사용했습니다. 연구팀은 기계 전체를 학습시키려고 노력하는 대신, 이를 복잡한 내부 움직임을 생성하는 자연스럽고 훈련되지 않은 엔진처럼 취급했습니다. 이 엔진에 시간 기반 데이터를 입력하고 그 결과를 읽어냄으로써, 과거의 입력을 기억하고 미래를 예측할 수 있는 모델을 만들었습니다. 최대 4,500개의 물리적 양자 비트, 즉 큐비트를 활용한 이 실험은 현재까지 수행된 가장 큰 규모의 양자 머신러닝 테스트입니다. 연구진은 이 기계가 혼돈스럽고 예측 불가능한 시계열 데이터를 성공적으로 예측할 수 있음을 발견했으며, 이는 대규모 양자 장치가 값비싼 훈련 루프 없이도 정보를 처리하는 강력한 도구로 쓰일 수 있음을 증명했습니다.

이 실험의 핵심은 리저버 컴퓨팅(reservoir computing)이라는 개념에 기반합니다. 연못에 돌을 던지는 장면을 상상해 보십시오. 퍼져 나가는 물결은 돌의 모양과 물의 깊이에 따라 복잡하게 결정됩니다. 만약 당신이 그 물결을 관찰할 수 있다면, 설령 물방울이 튀는 장면을 직접 보지 못했더라도 그 돌에 대해 무언가를 알 수 있습니다. 이 양자의 버전에서 '연못'은 양자 컴퓨터 자체이며, '물결'은 큐비트의 자연스럽고 훈련되지 않은 움직임입니다. 연구진은 기계에게 무엇을 할지 가르치려 하지 않았습니다. 대신, 단순히 데이터 스트림을 입력하며 기계가 자신의 내부 법칙에 따라 진화하도록 내버려 두었습니다. 데이터에 대한 기계의 자연스러운 반응은 정보의 고차원적인 지도를 만들어냈습니다. 그들이 훈련시킨 유일한 부분은 단순한 최종 단계인 선형 판독(linear readout)이었으며, 이는 기계의 복잡한 내부 상태를 유용한 예측으로 번역하는 법을 배웠습니다. 이 접근 방식은 일반적으로 양자 머신러ing을 괴롭히는 어렵고 비용이 많이 드는 최적화 문제를 피하게 해줍니다.

이 아이디어를 테스트하기 위해 연구팀은 프로그래밍 가능한 초전도 장치인 D-Wave 양자 어닐러를 사용했습니다. 그들은 역 어닐링(reverse annealing)이라고 알려진 과정을 포함하는 특정 스케줄로 기계를 프로그래밍했습니다. 이 기술은 기계를 이미 알려진 상태에서 시작하여, 더 양자적이고 요동치는 상태로 역행시킨 뒤, 잠시 그 상태를 유지했다가 다시 앞으로 진행하는 방식입니다. 이 일시 정지 단계는 시스템이 자신의 국소적 환경을 탐색하고 입력받은 정보에 대한 정보를 보유한 새로운 구성으로 자리 잡을 수 있게 합니다. 연구진은 이러한 움직임이 결정적이라는 것을 발견했습니다. 큐비트 사이의 상호작용을 꺼서 사실상 큐비트들이 단독으로 행동하게 만들었을 때, 기계는 입력에 대한 모든 기억을 잃었습니다. 이는 어닐링 과정 중 큐비트들 사이의 복잡한 상호작용이 시간이 지남에 따라 정보를 유지하는 데 필수적임을 입증했습니다.

연구진은 이 모델이 데이터를 얼마나 잘 기억하고 처리할 수 있는지 확인하기 위해 일련의 엄격한 테스트를 거쳤습니다. 먼저, '메모리 용량'이라고 알려진 과거 입력을 회상하는 능력을 점검했습니다. 그들은 피드백 메커니즘을 사용하여 기계의 출력을 다시 자기 자신에게 입력함으로써, 시스템이 표준 모델이 허용하는 것보다 훨씬 더 오래 정보를 기억할 수 있다는 것을 발견했습니다. 실제로 메모리는 단순히 사라지는 것이 아니라 재생되는 징후를 보였는데, 이는 시스템이 정보를 복잡하고 비선형적인 방식으로 붙잡고 있음을 시사합니다. 또한 연구팀은 기계의 규모를 테스트하여, 이러한 결과를 얻기 위해서는 4,500개 큐비트의 전체 동력이 필요함을 발견했습니다. 동일한 설정의 더 작은 버전들은 필요한 상관관계를 유지하는 데 실패했으며, 이는 양자 시스템의 거대한 규모가 성공의 핵심 요소였음을 강조합니다.

단순한 기억력을 넘어, 팀은 복잡한 관계를 이해해야 하는 과제에 기계를 도전시켰습니다. 그들은 두 입력의 패리티(parity)를 결정하는 XOR 과제로 알려진 논리 퍼즐을 풀도록 했습니다. 이는 단순한 선형 기계는 풀 수 없는 문제이지만, 양자 리저버는 거의 99%의 정확도로 결과를 예측하며 높은 정확도로 이를 처리했습니다. 이는 기계가 단순히 데이터를 암기하는 것이 아니라, 복잡한 패턴이 눈에 보이도록 데이터를 변환하고 있음을 보여주었습니다. 그러나 가장 까다로운 테스트는 혼돈스러운 시계열을 예측하는 것이었습니다. 연구진은 예측 불가능하고 혼돈스러운 행동을 생성하는 두 가지 유명한 수학적 모델인 매키-글래스(Mackey-Glass) 시리즈와 더블 스크롤(double-scroll) 시스템의 데이터를 기계에 입력했습니다. 기계는 훨씬 더 먼 미래의 단계까지도 이 시리즈들의 미래 값을 성공적으로 예측했습니다. 더블 스크롤 시스템의 경우, 기계는 시스템의 행동을 정의하는 복잡한 기하학적 형태인 카오틱 어트랙터(chaotic attractor)를 재구성할 수 있었는데, 이는 양자 컴퓨터를 사용하여 이러한 재구성을 달성한 첫 사례입니다.

이 연구의 결과는 양자 어닐러가 특히 시간 의존적 데이터를 포함하는 과업에 있어 대규모 머신러닝을 위한 실행 가능한 플랫폼임을 시사합니다. 연구진은 거대한 양자 시스템의 고유한 역학을 활용함으로써, 다른 접근 방식들을 제한하는 무거운 훈련 없이도 시간적 정보를 처리할 수 있음을 보여주었습니다. 또한 그들은 양자적 상호작용의 본질, 구체적으로 어닐링 과정 중에 생성되는 다체 역학(many-body dynamics)이 시스템이 기능하는 데 필수적이라는 증거를 제시했습니다. 클래식 컴퓨터가 결국 이러한 결과들을 시뮬레이션할 수 있을지는 미지의 영역으로 남아 있지만, 이 실험은 현재의 양자 하드웨어가 이미 표준 모델이 수행하기 어려운 과업들을 수행할 수 있음을 보여줍니다. 이 작업은 양자 기계를 단순히 최적화를 위한 도구가 아니라 학습과 예측을 위한 강력한 엔진으로 사용하는 새로운 길을 열어주며, 때로는 기계에게 가르치는 가장 좋은 방법이 기계가 스스로 달리도록 내버려 두는 것임을 증명합니다.