Spiking neural networks for streaming qubit readout

양자 컴퓨터는 새로운 약물을 설계하거나 복잡한 재료를 시뮬레이션하는 것부터 현재 가장 강력한 슈퍼컴퓨터로도 불가능한 문제들을 해결할 수 있는 가능성을 품고 있습니다. 그러나 이 기계들은 믿기 힘들 정도로 취약합니다. 작동하기 위해서, 이들은 섬세한 균형 상태를 유지해야 하며, 아주 작은 방해만으로도 정보를 잃을 수 있습니다. 양자 컴퓨터를 계속 구동하기 위해, 과학자들은 큐비트라고 알려진 개별 구성 요소의 상태를 끊임없이 확인하고, 발견된 내용에 따라 신속하게 조정을 가해야 합니다. 이 확인 과정, 즉 큐비트의 상태를 "읽어내는(read out)" 과정은 단순히 마지막 단계가 아닙니다. 그것은 기계와 과학자 사이의 지속적이고 긴박한 대화입니다. 만약 읽기가 너무 느리거나 부정확하면, 컴퓨터는 제때 오류를 수정할 수 없으며 계산은 실패하게 됩니다. 수년 동안 과학자들은 이러한 신호를 해석하기 위해 표준적인 방법들에 의존해 왔지만, 양자 기계가 더 커지고 복잡해짐에 따라, 기존의 도구들은 이 지저분하고 실시간적인 데이터의 특성을 처리하기에는 너무 느리고 경직되어 가고 있습니다.

한 연구팀이 이제 인간의 신경계에서 영감을 받은 일종의 컴퓨터 뇌를 사용하여 이러한 양자 신호에 귀를 기울이는 새로운 방법을 도입했습니다. 전체 측정이 끝날 때까지 기다렸다가 결정을 내리는 대신, 그들의 새로운 시스템은 신호가 도착하는 대로 신호를 들으며 매 순간 이해도를 업데이트합니다. 스파이킹 신경망(spiking neural networks)을 사용하는 이 접근 방식은 컴퓨터가 이전보다 훨씬 빠르게 결정을 내릴 수 있게 하여, 대규모 양자 컴퓨팅에 필요한 신속한 교정을 가능하게 할 잠재력을 제공합니다. 연구진은 이 방법을 5개의 큐비트를 가진 작은 양자 프로세서에서 테스트했으며, 이 시스템이 매우 크고 느린 시스템들과 맞먹는 성능을 보이면서도 실시간으로 작동할 수 있음을 발견했습니다.

과제는 양자 컴퓨터가 어떻게 측정되는가에서 시작됩니다. 많은 연구자가 사용하는 초전도 양자 프로세서에서 정보는 기계를 통해 마이크로파 신호를 보냄으로써 읽힙니다. 큐비트가 한 상태 혹은 다른 상태에 있을 때, 이는 신호의 주파수를 미세하게 변화시킵니다. 현대적인 설정에서 과학자들은 하나의 와이어를 통해 서로 다른 주파수를 보냄으로써 여러 큐비트를 동시에 측정하곤 하는데, 이를 주파수 다중화(frequency multiplexing) 기술이라고 합니다. 효율적이긴 하지만, 이는 모든 큐비트의 응답이 혼합된 복잡한 신호를 만들어냅니다. 신호는 깨끗하고 단순한 선이 아닙니다. 그것은 큐비트 간의 상호작용이나 측정 중에 큐비트가 상태를 바꿈으로써 왜곡될 수 있는 노이즈가 섞인 변동하는 궤적입니다. 전통적으로 과학자들은 이러한 궤적을 해석하기 위해 매칭 필터링(matched filtering)이라 불리는 방법을 사용해 왔습니다. 이 방법은 들어오는 신호를 신호가 어떠해야 하는지에 대한 완벽하고 미리 계산된 템플릿과 비교하는 방식입니다. 그러나 이 접근 방식에는 중대한 결함이 있습니다. 즉, 분석을 시작하기 전에 전체 측정이 기록될 때까지 기다려야 한다는 점입니다. 이는 신호를 정적인 그림처럼 취급하며, 신호가 시간에 따라 변한다는 사실과 중요한 단서가 측정 초기에 나타났다가 사라질 수 있다는 사실을 무시합니다.

이러한 한계를 극복하기 위해 연구진은 스파이킹 신경망이라고 알려진 다른 종류의 인공지능으로 눈을 돌렸습니다. 연속적인 스트림으로 데이터를 처리하고 전체 입력을 본 후에야 답을 내놓는 일반적인 인공 신경망과 달리, 스파이킹 신경망은 특정 사건에 반응하여 발화하는 뇌의 뉴런처럼 정보가 도착하는 대로 처리하도록 설계되었습니다. 이 새로운 시스템에서 들어오는 마이크로파 신호는 각각 100나노초 동안 지속되는 아주 작은 시간 단위로 잘게 쪼개집니다. 각 슬라이스가 도착할 때마다 네트워크는 이를 즉시 처리하여 내부 메모리와 큐비트 상태에 대한 추측을 업데이트합니다. 이는 전체 측정이 완료될 때까지 기다리지 않습니다. 덕분에 시스템은 측정이 시작되자마자 결정을 내리기 시작할 수 있으며, 측정의 맨 끝까지 기다릴 필요가 없습니다. 연구진은 이 시스템을 양자 제어 시스템에서 흔히 사용되는 칩인 필드 프로그래머블 게이트 어레이(FPGA)라는 특수 하드웨어에서 실행되도록 구축했는데, 이는 극도로 낮은 지연 시간으로 계산을 수행할 수 있기 때문입니다.

연구팀은 이 새로운 방법을 5개의 큐비트를 가진 양자 프로세서에서 테스트했습니다. 이는 노이즈와 큐비트 간의 간섭과 같은 더 큰 기계의 복잡성을 포함하는 작지만 현실적인 벤치마크입니다. 그들은 자신들의 스파이킹 신경망을 전통적인 매칭 필터 방식 및 전체 데이터를 본 후에 결정하는 표준 인공 신경망과 비교했습니다. 결과는 스파이킹 신경망이 매우 효과적임을 보여주었습니다. 이 시스템은 모든 데이터에 한 번에 접근하는 훨씬 더 큰 표준 신경망과 거의 동일한 정확도를 달성하면서도, 실시간으로 데이터를 처리했습니다. 현재의 표준인 전통적인 매칭 필터 방식은 특히 큐비트들이 서로 상호작용하거나 신호에 노이즈가 섞여 있을 때 정확도가 떨어졌습니다. 새로운 시스템은 이러한 복잡한 패턴을 포착하고 이를 교정하여, 한 큐비트의 측정이 다른 큐비트의 상태에 의해 혼동되어 발생하는 오류를 줄일 수 있었습니다.

가장 중요한 발견 중 하나는 시스템이 언제 결정을 내릴지를 제어할 수 있는 능력이었습니다. 네트워크가 매 아주 작은 시간 슬라이스마다 추측을 업데이트하기 때문에, 연구진은 신호가 명확할 경우 일찍 멈추도록 하거나 신호가 모호할 경우 더 오래 기다리도록 훈련시킬 수 있었습니다. 그들은 훈련을 조정함으로써, 최종 결과의 정확도를 희생하지 않으면서도 측정의 단 600나노초 만에 매우 정확한 판독을 얻을 수 있다는 것을 발견했습니다. 이는 전체 시간 중 상당한 부분임에도 불구하고 그렇습니다. 이러한 유연성은 시스템이 교정을 적용할지 아니면 더 많은 정보를 기다릴지 빠르게 결정해야 하는 양자 오류 수정에서 매우 중요합니다. 또한 연구진은 숫자를 단순화하는 기술인 양자화(quantization)를 사용하여 이 복잡한 시스템을 실행하면서도 정확도를 크게 잃지 않는다는 것을 입증했습니다. 이는 이 시스템이 막대한 전력이나 메모리를 필요로 하지 않고도 실제 양자 컴퓨터 컨트롤러의 제한된 자원으로 실행될 수 있음을 의미하므로 매우 중요합니다.

하드웨어 테스트는 시스템이 이 작업에 충분히 빠르다는 것을 확인해 주었습니다. 연구진은 칩이 각 100나노초의 데이터 슬라이스를 약 31에서 52나노초 안에 처리할 수 있다고 계산했습니다. 이는 시스템이 다음 데이터 슬라이스가 도착하기 훨씬 전에 계산을 마치고 결정을 업데이트할 수 있음을 의미합니다. 이러한 속도는 시스템이 정보의 흐름을 따라잡지 못하고 뒤처지지 않고 계속해서 정보를 읽어내야 하는 스트리밍 판독(streaming readout)에서 필수적입니다. 이 연구는 이러한 접근 방식이 단지 이론적인 가능성이 아니라 현재의 기술로 구축할 수 있는 실질적인 해결책임을 보여주었습니다. 복잡하고 노이즈가 섞인 데이터로부터 학습하는 능력과 실시간 처리의 속도를 결합함으로써, 스파이킹 신경망은 양자 컴퓨터를 읽어내는 새로운 길을 제시합니다. 이는 과거의 느리고 경직된 방법과 빠르고 적응적인 미래의 요구 사이의 간극을 메우며, 차세대 양자 컴퓨터가 궤도를 유지하기 위해 이러한 뇌 모사 시스템에 의존할 수 있음을 시사합니다.