Neural network-based multipartite entanglement classification with prior guidance from quantum uncertainty relations

양자 역학의 기이하고 직관에 어긋나는 세계에서, 입자들은 우리의 일상적인 경험을 거스르는 방식으로 서로 연결될 수 있습니다. 얽힘(entanglement)이라고 알려진 이 현상은 한 입자의 상태가 아무리 멀리 떨어져 있더라도 다른 입자의 상태와 즉각적으로 연결되어 있음을 의미합니다. 두 입자 사이의 이러한 연결은 이해하기 비교적 간단하지만, 세 개 이상의 입자가 관여될 때는 상황이 훨씬 더 복격적으로 변합니다. 세 개 이상의 입자가 있는 시스템에서 입자들은 근본적으로 서로 다른 여러 방식으로 얽힐 수 있으며, 각 방식은 고유한 특성과 초보안 통신 및 강력한 컴퓨팅과 같은 미래 기술을 위한 잠재적 용도를 가지고 있습니다. 이러한 다양한 유형의 연결을 구별하는 것은 이를 활용하고자 하는 과학자들에게 필수적이지만, 이는 오랫동안 어려운 과제였습니다. 이러한 연결을 식별하기 위한 전통적인 방법들은 종종 압도적인 양의 데이터와 계산 능력을 요구하며, 이는 실제 응용 분야에 필요한 대규모 시스템에는 비현실적입니다.

베이징 소재 베이항 대학교의 연구팀은 인공지능의 힘과 불확정성 원리라고 알려진 물리학의 근본적인 법칙을 결합하여 이 문제를 해결하는 새로운 접근 방식을 개발했습니다. 해변의 모래 언덕 모양을 이해하기 위해 해변에 있는 모든 모래알 하나하나를 사진으로 찍으려는 것과 같은 방식 대신, 그들의 방법은 특정하고 더 관리 가능한 속성에 집중합니다. 그들은 한 입자를 측정하는 정밀도가 이웃 입자들의 측정에 의해 어떻게 제한되는지를 설명하는 최근 발견된 관계를 사용합니다. 연구진은 패턴을 학습하도록 설계된 컴퓨터 프로그램에 이러한 특정 측정값들을 입력함으로써, 시스템에 존재하는 얽힘의 유형을 빠르고 정확하게 식별할 수 있는 도구를 만들었습니다.

연구진은 세 개의 입자로 구성된 단순한 시스템부터 스무 개의 입자로 구성된 복잡한 시스템에 이르기까지 수천 개의 시뮬레이션된 양자 상태를 생성하여 그들의 방법을 테스트했습니다. 그들은 양자 연구에 사용되는 표준적인 유형의 다입자 연결인 세 가지 뚜렷한 범주로 이 상태들을 생성했습니다. 테스트를 현실적으로 만들기 위해, 연구진은 완벽한 이론적 상태뿐만 아니라 불완전한 실험의 혼란스러운 현실을 나타내는 혼합 상태(mixed states)와 실제 양자 장치에서 발견되는 간섭을 모사하는 노이즈 상태(noisy states)를 모두 포함했습니다. 컴퓨터 프로그램은 불확정성 측정값을 살펴보고 상태들을 올바른 범주로 분류하도록 훈련되었습니다. 결과는 놀라웠습니다. 테스트된 가장 큰 시스템인 20개의 입자 모델에서, 이 방법은 99.5%의 확률로 얽힘의 유형을 정확하게 식별했습니다. 데이터가 노이즈에 의해 손상되거나 혼합 상태를 나타내는 경우에도 정확도는 인상적으로 높게 유지되어, 대부분의 경우 98% 이상을 기록했습니다.

이 성과가 특히 중요한 이유는 기존 기술들에 비해 훨씬 적은 작업량을 요구한다는 점입니다. 이전의 방법들은 종-종 양자 시스템의 전체 수학적 설명을 재구성하는 데 의존했는데, 이는 입자가 추가됨에 따라 기하급수적으로 어려워져 대규모 시스템에서는 빠르게 불가능해지는 과정입니다. 반면, 새로운 방법은 입자 수가 증가함에 따라 훨씬 더 느리게 성장하는 특징을 사용하므로 확장 가능합니다. 연구진은 자신들의 접근 방식이 측정에 필요한 데이터의 양을 줄여줄 뿐만 아니라 컴퓨터가 패턴을 훨씬 더 빠르게 학습할 수 있게 한다는 것을 발견했습니다. 입자들이 연결되는 방식에서 발생하는 특정 불확정성 관계에 집중함으로써, 이 도구는 철저한 데이터 수집의 필요성을 우회하여 복잡한 미래 양자 네트워크를 분석하기 위한 실질적인 경로를 제공합니다.

또한 이 연구는 데이터가 불완전할 때, 즉 실제 물리 현상에서 흔히 발생하는 문제 상황에서 이 방법이 얼마나 잘 버티는지 탐구했습니다. 연구진은 시뮬레이션된 오류와 노이즈를 양자 상태에 도입함으로써, 상태의 충실도(fidelity)가 크게 떨어지더라도 분류기가 높은 정확도를 유지하며 견고함을 유지한다는 것을 보여주었습니다. 이는 이 방법이 완벽한 조건이 드문 실제 실험실 환경에서도 신뢰할 수 있음을 시사합니다. 현재의 결과는 컴퓨터 시뮬레이션에 기반하고 있지만, 저자들은 다음 단계가 이 접근 방식을 실제 양자 하드웨어에 테스트하는 것이라고 언급했습니다. 만약 성공한다면, 이 기술은 양자 네트워크에서 얽힌 자원의 품질을 검증하는 표준 도구가 되어, 고급 컴퓨팅과 통신에 필요한 섬세한 연결이 의도한 대로 작동하고 있는지 보장할 수 있을 것입니다. 이 연구는 머신러닝을 안내하기 위해 물리적 원리를 사용하는 방향으로의 전환을 나타내며, 강력할 뿐만 아니라 자연의 근본 법칙에 뿌리를 둔 도구를 만들어내고 있습니다.