A Polynomial-Scaling PDE Solver with Entanglement-Basis Tensor Networks

물리적 세계의 대부분은 금속 막대를 통한 열의 흐름부터 날개 주변의 공기 흐름에 이르기까지, 사물이 시공간에 따라 어떻게 변하는지를 추적하는 방정식으로 설명됩니다. 이러한 방정식들은 종종 단순한 공식으로 풀기에는 너무 복잡하기 때문에, 과학자와 엔지니어들은 문제를 관리 가능한 조각들로 나누는 수치적 방법론에 의존합니다. 그들은 연속적인 형상을 작은 유한한 덩어리들의 격자로 나누어, 매끄럽고 무한한 문제를 컴퓨터가 계산할 수 있는 방대한 대수 방정식 목록으로 변환합니다. 이 접근 방식은 많은 문제에서 잘 작동하지만, 방정식이 매우 비선형적이거나 시스템이 많은 상호작로 작용하는 부분들을 포함하게 되면 한계에 부딪힙니다. 계산에 필요한 계산량이 폭발적으로 증가하여, 가장 강력한 슈퍼컴퓨터라 할지로도 합리적인 시간 내에 작업을 마칠 수 없게 되기 때문입니다.

매사추세츠 공과대학교(MIT)의 연구팀은 양자 물리학 연구에서 도구를 빌려와 이러한 어려운 문제들을 해결할 새로운 방법을 개발했습니다. 컴퓨터의 메모리를 단순히 숫자의 목록으로 취급하는 대신, 그들은 해(solution)를 더 작고 연결된 데이터 구조들의 연결된 웹으로 표현합니다. 텐서 네트워크(tensor network)라고 알려진 이 방법은 시스템의 서로 다른 부분들 사이의 가장 중요한 연결에 집중함으로써 컴퓨터가 정보를 효율적으로 저장하고 처리할 수 있게 해줍니다. 이 새로운 연구에서 연구진은 이 기술를 유한 요소법(finite element method)이라 불리는 표준적인 방정식 풀이법에 성공적으로 적용하였으며, 이를 통해 복잡한 비선형 문제를 계산 비용이 불가능한 지수적 증가가 아닌 관리 가능한 다항식 비율로 성장하며 처리할 수 있는 솔버(solver)를 만들어냈습니다.

핵심적인 도전 과제는 전통적인 방법들이 비선형 관계를 처리하는 방식에 있습니다. 물리적 시스템이 입력에 직접 비례하지 않는 방식으로 작동할 때—예를 들어 물질의 특성이 현재 보유하고 있는 열량에 따라 변하는 경우처럼—수학은 매우 어려워집니다. 표준적인 접근 방식은 종종 컴퓨터가 해를 추측하고, 오차를 확인하고, 다시 추측하게 만드는데, 이 과정은 느리고 불안정할 수 있습니다. MIT 팀은 이러한 문제를 더 크고 추상적인 공간으로 들어 올림으로써 해결했습니다. 이 공간에서는 이러한 비선형 상호작용이 단순한 선형 관계로 변합니다. 매듭의 끝을 잡아당겨 매듭을 푸는 것을 상상해 보십시오. 때로는 매듭을 평평하게 펼쳐진 시트로 상상하는 것이 더 쉬울 수 있으며, 그렇게 하면 엉킨 부분들이 그저 직선이 되어 펼쳐질 수 있습니다. 이 문제를 확장된 공간으로 확장함으로써, 연구진은 지배 방정식, 조각들이 서로 결합하는 규칙, 그리고 경계 조건들을 모두 하나의 통일된 목표, 즉 전체 시스템의 오차 또는 '잔차(residual)'를 동시에 최소화하는 것으로 표현할 수 있었습니다.

하지만 이 새로운 공간은 이론적으로 매우 거대하여, 그 크기가 너무 커서 가장 단순한 문제조차 컴퓨터 메모리에 저장하는 것이 불가능할 정도입니다. 여기서 텐서 네트워크가 등장합니다. 연구진은 이 공간이 거대할지라도, 해를 설명하는 데 필요한 실제 정보는 시스템의 각 부분이 모두 동일하게 연결되어 있는 것은 아니기에 훨씬 더 압축적이라는 사실을 깨달았습니다. 그들은 행렬 곱 상태(matrix product state)라고 불리는 특정 유형의 네트워크 구조를 사용했는데, 이는 각 조각이 인접한 이웃과만 직접 소통하는 체인 형태로 데이터를 배치합니다. 이 구조는 필터처럼 작동하여, 요소들 사이의 필수적인 상관관계만을 유지하고 나머지는 버립니다. 밀도 행렬 재규격화 그룹(density matrix renormalization group)이라 알려진 알고리즘을 사용하여 체인을 앞뒤로 훑으며 한 번에 하나의 조각을 최적화함으로써, 컴퓨터는 거대한 전체 공간을 메모리에 구축하지 않고도 최적의 해를 찾을 수 있습니다.

아이디어를 테스트하기 위해 연구팀은 확산 방정식(diffusion equation)—열이나 입자가 물질을 통해 퍼져나가는 방식에 대한 흔한 모델이며, 열 전도 능력이 위치에 따라 변하는 경우—에 이 새로운 솔버를 적용했습니다. 그들은 1차원 영역에 시뮬레이션을 설정하고, 영역을 10개의 작은 세그먼트로 나눈 뒤, 각 세그먼트 내의 해를 설명하기 위해 특정 유형의 수학적 함수를 사용했습니다. 그런 다음 알고리즘을 실행하여 방정식의 오차를 최소화하도록 세그먼트 간의 연결을 조정했습니다. 결과는 이 방법이 오늘날 사용되는 표준적이고 확립된 방법들과 매우 유사한 결과를 생성했음을 보여주었으며, 파동의 진폭에서 차이가 5% 미만이었습니다. 더 중요한 점은, 해가 세그먼트의 경계를 가로질러 매끄럽고 연속적으로 유지되었다는 것이며, 이는 이 방법이 한 조각에서 다음 조각으로 해가 매끄럽게 이어져야 한다는 물리적 규칙을 올바르게 강제하고 있음을 증명합니다.

연구진은 또한 그리드를 더 미세하게 만들거나 각 세그먼트 내에서 더 복잡한 함수를 사용할 때 정확도가 어떻게 향착되는지 조사했습니다. 그들은 해상도를 높임에 따라 오차가 꾸준히 감소하는 것을 발견했으며, 이는 표현이 더 상세해짐에 따라 방법이 정답으로 수렴한다는 것을 확인시켜 줍니다. 그러나 그들은 이러한 개선이 무한하지 않다는 점에도 주목했는데, 공간 해상도가 매우 높아지면 정확도는 시뮬레이션에 사용된 시간 단계(time steps)의 크기에 의해 제한되며, 이는 표준 수치 방법들과 일치하는 동작입니다. 이 연구는 이 특정 유형의 문제에 대해 계산 비용이 요소의 수에 따라 다항식으로 스케일링된다는 것을 입증했습니다. 즉, 세그먼트의 수를 두 배로 늘린다고 해서 작업량이 두 배가 되는 것이 아니라, 요소들 사이의 연결 복잡성이 제한되어 있다면 훨씬 더 관리 가능한 수준으로 증가한다는 것을 의미합니다.

이 연구가 모든 종류의 방정식을 푸는 기존의 모든 방법을 대체한다고 주장하거나, 이 접근 방식이 모든 유형의 물리 문제에 대한 마법의 탄환이라고 제안하는 것은 아닙니다. 이 방법의 효율성은 특정 문제의 해가 적은 수의 연결을 가진 압축된 네트워크로 설명될 수 있는지 여부에 크게 달려 있습니다. 만약 물리적 시스템이 방대한 수의 장거리 연결을 필요로 한다면, 이 방법은 전통적인 기법에 비해 이점을 제공하지 못할 수도 있습니다. 또한, 현재 구현은 1차원 문제로 제한되어 있으며, 연구진은 문제의 국소적 복잡성이 증가할 경우 계산에 포함되는 상수들이 커질 수 있음을 인정합니다. 그럼에도 불구하고, 이 연구는 텐서 네트워크의 원리가 효과적으로 양자 역학의 영역에서 공학 및 응용 수학의 실용적인 세계로 번역될 수 있음을 보여주는 명확한 경로를 제시하며, 유한 요소 분석의 근본적인 구성 요소들을 이러한 강력한 양자 영감을 받은 최적화 도구와 호환되는 프레임워크로 재구성할 수 있음을 보여줍니다.

연구진은 해의 국소적 근사와 시스템을 하나로 묶는 전역적 제약을 분리함으로써, 기본 솔버를 변경하지 않고도 다양한 유형의 방정식과 경계 조건에 적응할 수 있는 유연한 프레임워크를 구축했습니다. 이러한 분리는 단순한 열 흐름부터 더 복잡한 비선형 상호작용에 이르기까지 다양한 문제에 동일한 알고리즘 엔진을 사용할 수 있게 합니다. 1차원 환경에서의 성공은 이 방법이 더 복잡한 네트워크 기하학을 사용하여 고차원으로 확장될 수 있음을 시사하며, 잠재적으로 현재의 고전 컴퓨터로는 도달할 수 없는 문제들을 해결할 수 있는 문을 열어줄 수 있습니다. 이 연구는 텐서 네트워크의 원리가 양자 역학의 영역에서 실용적이고 일상적인 공학 및 응용 수학의 세계로 효과적으로 전달될 수 있다는 개념 증명 역할을 하며, 우리의 물리적 현실을 형성하는 복잡하고 변화하는 시스템을 이해하기 위한 새로운 도구를 제공합니다.