A deterministic polynomial chaos Galerkin method for non-Markovian quantum state diffusion

양자 세계에서 입자들은 좀처럼 고립된 상태로 존재하지 않습니다. 입자들은 가스 구름이든, 고체 결정이든, 혹은 전자기파의 바다든 간에 주변 환경과 끊임없이 부딪히고, 끌어당기며, 에너지를 주고받습니다. 양자 계가 그 주변 환경과 상호작용할 때, 계는 정교하고 고립된 특성을 잃고 예측하기 더 어려운 방식으로 행동하기 시작합니다. 과학자들은 이를 "열린 양자 계(open quantum systems)"라고 부릅니다. 과제는 시스템이 접하고 있는 거대한 환경 속의 모든 개별 입자를 추적하지 않고도, 시간이 지남에 따라 시스템이 어떻게 변하는지 알아내는 것입니다. 이는 환경이 "기억"을 가지고 있을 때, 즉 시스템의 과거 상호작용이 미래의 행동에 계속 영향을 미칠 때 특히 어렵습니다. 이를 비마르코프적 역학(non-Markovian dynamics)이라고 하며, 이를 시뮬레이션하는 것은 화학 반응부터 미래의 양자 컴퓨터 작동 원리에 이르기까지 모든 것을 이해하려는 연구자들에게 오랫동안 병목 현상이 되어 왔습니다.

수십 년 동안 이 문제를 해결하는 표준적인 방법은 수천 번의 무작위 시뮬레이션을 실행하는 것이었습니다. 매 단계마다 바람의 방향을 추측하는 단 하나의 컴퓨터 모델을 실행하여 날씨를 예측하려고 노력한다고 상상해 보십시오. 그 결과는 혼란스러운 엉망진창이 될 것입니다. 신뢰할 수 있는 예보를 얻으려면, 약간씩 다른 무작위 추측을 담은 모델을 수천 번 실행한 다음 그 결과들을 평균 내야 합니다. 이것이 현재 열린 양자 계를 다루는 방식입니다. 즉, 수천 개의 "궤적(trajectories)", 즉 시스템의 가능한 역사들을 생성하고 이를 평균하여 실제 행동을 찾아내는 것입니다. 이 접근 방식은 효과적이긴 하지만, 믿을 수 없을 정도로 느리고 통계적 노이즈에 취약하여, 엄청난 수의 시뮬레이션을 실행하지 않는 한 답이 결코 완벽하게 명확해지지 않는다는 단점이 있습니다.

싱가포르 국립대학교의 연구팀은 이 문제에 대해 다른 경로를 제안했습니다. 그들은 수천 번의 무작위 추측에 의존하는 대신, 이 문제를 단 하나의 결정론적 계산으로 바꾸는 방법을 개발했습니다. 이는 수천 번의 기상 모델을 실행해야 하는 필요성을, 모든 가능성을 한꺼번에 설명할 수 있는 하나의 매우 정교한 방정식으로 대체하는 것과 같습니다. 그들의 새로운 기술인 '결정론적 다항 카오스 갈레르킨 방법(deterministic polynomial chaos Galerkin method)'은 과학자들이 기억을 가진 환경과 상호작용하는 양자 계의 행동을 한 번에 매우 정확하게 근사적으로 계산할 수 있게 해줍니다. 그 결과는 무작위 샘플링의 통계적 오류로부터 자유로울 뿐만 아니라, 기존 방식보다 수백 배 더 빠르게 실행됩니다.

이 돌파구의 핵심은 연구진이 환경의 "기억"을 처리하는 방식에 있습니다. 기존의 접근 방식에서는 기억을 시뮬레이션을 실행할 때마다 변하는 복잡하고 변화무쌍한 무작위 노이즈의 구름으로 취급합니다. 새로운 방법은 이 노이즈를 마치 복잡한 소리를 특정 음표 세트로 분해하는 것처럼, 유한한 구성 요소들로 분해합니다. 이러한 고정된 성분들로 환경의 영향을 표현함으로써, 연구진은 방정식의 운동 법칙을 다시 써서 더 이상 무작위 확률에 의존하지 않게 만들 수 있었습니다. 대신, 문제는 시스템이 이러한 고정된 성분들을 바탕으로 어떻게 진화하는지를 설명하는 연결된 방정식들의 집합이 됩니다. 이를 통해 혼돈스럽고 확률적인 문제가 표준 컴퓨터 솔버가 높은 정밀도로 처리할 수 있는 구조적이고 예측 가능한 문제로 변모합니다.

연구팀은 자신들의 아이디어를 테스트하기 위해 양자 물리학에서 흔히 발생하는 몇 가지 도전적인 시나리오에 이 방법을 적용했습니다. 그들은 위 또는 아래를 향할 수 있는 작은 자석과 유사한 단순한 이준위 계(two-level system)가 따뜻한 입자 욕과 상호작용하는 모습을 살펴보았습니다. 또한 언덕과 골짜기가 있는 지형을 통과하는 입자를 시뮬레이션했으며, 입자가 두 개의 구멍을 통과하며 간섭 패턴을 만드는 유명한 이중 슬릿 실험도 모델링했습니다. 모든 경우에서, 그들은 자신들의 새로운 방법을 수천 개의 궤적 방식 및 기타 고급 수학적 도구들을 포함한 기존의 최선책들과 비교했습니다. 결과는 놀라웠습니다. 이준위 계 테스트에서, 새로운 방법은 전통적인 무작위 방식보다 현저히 작은 오차를 생성하면서도 실행 시간은 1초 미만이었습니다. 반면, 전통적인 방식은 훨씬 낮은 수준의 정확도를 달하는 데 몇 분에서 몇 시간까지 걸렸습니다.

연구진은 입자들이 사슬 형태로 결합된 복잡한 3차원 시스템을 시뮬레이션함으로써 그들의 방법을 한계까지 밀어붙였습니다. 이러한 시뮬레이션은 시스템이 커짐에 따라 변수의 수가 폭발적으로 증가하기 때문에 매우 까다롭습니다. 이러한 복잡한 경우에도, 새로운 방법은 입자들이 시간이 지남에 따라 서로 어떻게 영향을 미치는지 성공적으로 포착하여, 기대되는 상관관계와 움직임의 패턴을 높은 충실도로 재현해 냈습니다. 이 방법은 단순한 포물선이 아닌 지형인 비이차 포텐셜(non-quadratic potentials)을 다룰 수 있는 능력을 입증했으며, 환경이 너무 노이즈가 심해질 때 양자 간섭이 억제되는 현상도 정확하게 모델링했습니다. 이러한 발견은 이 방법이 단순한 모델들을 좌절시키는 복잡하고 실제적인 조건들을 다룰 만큼 견고하다는 것을 시사합니다.

이 접근 방식의 가장 큰 장점 중 하나는 효율성입니다. 수천 개의 무작위 궤적 앙상블을 단 하나의 결정론적 풀이로 대체하기 때문에, 계산 비용은 이전에 필요했던 궤적의 수와 거의 맞먹는 비율로 감소합니다. 테스트에서 이는 수백 배의 속도 향상을 의미했습니다. 또한, 이 방법은 무작위 샘플링에 의존하지 않기 때문에 데이터의 미세한 세부 사항을 가리는 "통계적 노이즈"를 제거합니다. 이를 통해 연구자들은 무작위 오류의 흐릿한 효과 없이, 양자 파동이 퍼져 나가는 정교한 방식이나 스스로와 간섭하는 방식과 같은 미묘한 효과들을 관찰할 수 있습니다. 이 방법은 유연하기도 합니다. 다양한 유형의 환경을 가진 시스템에 적용될 수 있으며, 과학적 컴퓨팅에서 이미 널리 사용되는 표준 수치 솔버를 사용하도록 조정될 수 있습니다.

이 연구 작업에 한계가 없는 것은 아닙니다. 연구진은 환경의 복잡성이 증가함에 따라 이를 설명하는 데 필요한 구성 요소의 수도 늘어난다는 점을 언급했습니다. 이는 극도로 크거나 복잡한 시스템의 경우 계산 규모가 여전히 증가할 것임을 의미하지만, 그럼에도 불구하고 이 방법은 대안들보다 여전히 효율적입니다. 연구팀은 향히 연구가 이러한 구성 요소의 선택을 더 적응적으로 만들어, 방법이 가장 중요한 부분에 자동으로 자원을 집중할 수 있도록 하는 데 초점을 맞출 수 있다고 제안했습니다. 그러나 현재로서는 이 방법이 열린 양자 계를 시뮬레이션하기 위한 강력한 새로운 도구로 자리 잡고 있습니다.

무작위 추측이 수천 번 필요했던 문제를 단 하나의 정밀한 계산으로 전환함으로써, 이 연구는 실제 세상에서의 양자 계의 행동에 대한 더 명확한 창을 제공합니다. 이는 양자 역학의 기억 효과를 시뮬레이션하는 힘든 작업이 반드시 무차별적인 평균화에 의존할 필요는 없음을 보여줍니다. 적절한 수학적 프레임워크가 있다면, 과학자들은 훨씬 짧은 시간 안에 더 높은 정확도를 달 а성할 수 있습니다. 무작위 샘플링에서 결정론적 계산으로의 이러한 전환은 연구자들이 전례 없는 속도와 명확성으로 그들의 행동을 시뮬레이션함으로써 더 나은 센서, 더 효율적인 화학 공정, 그리고 더 신뢰할 수 있는 양자 컴퓨터를 설계할 수 있도록 하여 양자 기술의 발전을 가속화할 수 있습니다.