Post-Optimization Subspace Corrections to Quantum Ansätze

양자 컴퓨터로 분자를 시뮬레이션하려는 탐구는 현재 기술의 한계와의 싸움입니다. 그 중심에는 근본적인 과제가 놓여 있습니다. 분자 내에서 전자가 어떻게 움직이고 상호작용하는지 설명하려면 현재 가장 강력한 고전 슈퍼컴퓨터조차도 순식간에 압도해 버리는 수준의 세밀함이 필요합니다. 양자 역학의 기묘한 법칙을 사용하여 정보를 처리하는 양자 컴퓨터는 이러한 문제를 해결할 수 있는 자연스러운 방법을 제공합니다. 하지만 오늘날 사용 가능한 기기들은 취약하고 크기가 제한적입니다. 유용한 결과를 얻기 위해 과학자들은 변분 알고리즘(variational algorithm)이라 불리는 방법을 사용합니다. 이것을 시행착오 과정이라고 생각하면 됩니다. 즉, 컴퓨터가 분자의 수학적 모델을 구축하고, 이를 테스트한 다음, 모델을 더 정확하게 만들기 위해 수정하는 과정입니다. 이 과정은 모델에 복잡성을 더해가며 반복되며, 분자의 에너지가 충분한 정밀도로 계산될 때까지 계속됩니다. 문제는 모델에 레이어를 하나씩 추가할 때마다 더 많은 시간과 방대한 양의 측정이 필요하며, 분자가 더 복잡해질수록 정확한 답에 도달하기 위해 필요한 단계의 수가 폭발적으로 증가할 수 있다는 점입니다.

한 연구팀은 이 지칠 줄 모르는 반복 과정을 상당 부분 우회할 수 있는 방법을 찾아냈습니다. 양자 컴퓨터가 점점 더 큰 모델을 계속 구축하도록 강요하는 대신, 적절한 모델이 구축되면 특정 수학적 기법을 통해 기계의 작업량에 새로운 복잡성을 추가하지 않고도 답을 정교하게 다듬을 수 있다는 것을 발견했습니다. 최대 20개의 양자 비트를 사용하는 연구에서, 연구진은 다양한 분자의 기존 모델에 이러한 기법들을 적용했습니다. 그들은 이 방법이 높은 수준의 정확도에 도なる 데 필요한 단계의 수를 최대 6배까지 줄일 수 있다는 것을 발견했습니다. 더 중요한 것은, 측정에 소요되는 시간을 포함한 총 노력을 계산했을 때, 그 절감 효과가 최대 40배에 달할 정도로 훨씬 더 극적이었다는 점입니다. 이 접근 방식은 양자 컴퓨터를 더 크거나 복ellig 복잡하게 만들 필요가 없습니다. 단지 이미 수집된 데이터로부터 더 많은 가치를 추출할 뿐입니다.

연구진은 효율성을 달aler 하기 위해 두 가지 특정 기술에 집중했습니다. 첫 번째는 크릴로프 부공간 대각화(Krylov subspace diagonalization)라고 알려진 방법입니다. 표준적인 방식에서는 양자 컴퓨터가 한 번에 한 조각씩 모델을 추가하며 단계별로 구축하고, 각 추가 단계마다 전체 시스템을 다시 계산합니다. 이는 느리고 비용이 많이 듭니다. 새로운 방법은 적절한 근사치가 구축되면 컴퓨터가 구축을 멈출 수 있게 해줍니다. 그런 다음, 레이어를 더 추가하는 대신, 연구진은 기존의 근사치를 사용하여 분자의 에너지에 대한 몇 가지 특정 특성을 계산합니다. 이러한 특성들을 분석함으로써, 그들은 답을 약간 더 넓은 공간으로 수학적으로 투영할 수 있으며, 이는 양자 컴퓨터에 새로운 복잡한 연산을 수행하도록 요청하지 않고도 분자의 행동에서 누락된 세부 사항을 효과적으로 복구하는 것과 같습니다. 이는 풍경의 거친 스케치를 그린 후, 다시 밖으로 나가 전체 장면을 다시 그리는 대신, 일련의 규칙을 사용하여 누락된 세부 사항을 채워 넣는 것과 같습니다.

시뮬레이션에서 연구진은 이 접근 방식을 27개의 서로 다른 분자 시스템에 테스트했습니다. 그들은 정확도의 목표치(참값의 에너지로부터 1.6 밀리하트리 이내)에 도달하기 위해 얼마나 많은 단계가 필요한지 측정했습니다. 표준적인 방법으로 수백 단계를 실행해야 했던 연구 내 가장 복잡한 분자들의 경우, 새로운 기술은 약 6분의 1의 시간 만에 동일한 정확도에 도달했습니다. 이 혜택은 전자의 배열이 얼마나 퍼져 있고 복잡한지를 나타내는 척도인 '레니 엔트로피(Rényi entropy)'가 높은 분자들에서 가장 두드러졌습니다. 이러한 어려운 사례들의 경우, 단계의 감소는 상당했습니다. 팀이 신뢰할 수 있는 데이터를 얻기 위해 필요한 측정 횟수를 고려하여 프로세스의 총 비용을 모델링했을 때, 절감 효과는 더욱 놀라웠습니다. 표준적인 방법을 실행하는 비용은 새로운 보정 기술을 사용하는 비용보다 최대 40배 더 높았습니다. 이는 노이즈가 데이터를 망치기 전까지 수행할 수 있는 측정 횟수가 제한적인 근접 미래의 양자 컴퓨터(NISQ)에게, 이 접근 방식이 계산을 가능하게 하느냐 불가능하게 하느냐를 결정짓는 차이가 될 수 있음을 시사합니다.

연구팀이 탐구한 두 번째 기술은 항등 확장 양자 자기 일관적 운동 방정식(identity-augmented quantum self-consistent equation of motion)입니다. 이 방법은 초기 모델이 분자의 실제 행동을 포착하기에 너무 단순하거나, 다음 단계를 선택하는 데 사용된 측정값이 노이즈가 섞여 있을 때 발생하는 문제에 대응합니다. 많은 경우, 양자 컴퓨터는 데이터가 불완전하기 때문에 모델에 추가할 잘못된 조각들을 선택할 수 있습니다. 연구진은 최종 분석에 특정 수학적 구성 요소를 추가함으로써 이러한 오류를 수정할 수 있다는 것을 발견했습니다. 이 기술은 초기 모델이 너무 짧게 끊겼거나 새로운 구성 요소를 선택하는 과정이 노이즈가 섞인 데이터에 기반했을 때도 정확한 에너지 값을 회복할 수 있게 해주었습니다. m-benzyne이라는 분자를 이용한 테스트에서, 이 방법은 표준적인 과정이 측정 노이즈로 인해 어려움을 겪고 있을 때도 정확한 에너지 레벨을 성공적으로 회복했습니다. 이는 마치 안전망처럼 작동하여, 결함이 있거나 불완전한 시작점이 정밀한 최종 답으로 이어질 수 있도록 보장했습니다.

두 방법 모두 공통된 철학을 공유합니다. 즉, 양자 컴퓨터의 출력을 최종 결과물이 아니라 더 깊은 분석을 위한 참조점으로 취급한다는 것입니다. 양자 기계가 작업을 마친 후 클래식 컴퓨터에서 약간의 추가 계산을 수행함으로써, 연구진은 더 많은 정확도를 짜낼 수 있습니다. 이는 특히 가치 있는 일인데, 왜냐하면 양자 하드웨어 자체는 변경되지 않기 때문입니다. 회로는 더 길어질 필요가 없으며, 튜닝해야 하는 매개변수의 수도 늘어나지 않습니다. 연구진은 이 접근 방식이 단순한 원자 사슬부터 더 복합적인 구조에 이르기까지 다양한 분자 시스템에서 잘 작동한다는 것을 입증했습니다. 또한 그들은 이 방법이 입력되는 데이터가 불완전하더라도 효과를 유지할 만큼 견고하다는 것을 보여주었습니다.

이러한 발견의 함의는 단순히 시간을 절약하는 것을 넘어섭니다. 단계와 측정 횟수를 줄임으로써, 이 기술들은 현재의 하드웨어에서 화학 시뮬레이션을 실행하는 장벽을 낮춰줍니다. 이를 통해 과학자들은 계산 규모가 너무 커서 접근하기 어려웠던 광합성이나 질소 고정에 관여하는 분자와 같이 더 복잡한 분자들을 연구할 수 있게 될 것입니다. 연구진은 자신들의 작업이 시뮬레이션상에서 이루어졌지만, 사용된 원리들이 실제 양자 장치에도 직접 적용 가능하다는 점을 언급했습니다. 또한 이 보정법들이 테스트한 알고리즘뿐만 아니라 다른 유형의 양자 알고리즘에도 적용될 수 있다고 지적했습니다. 기계에 가해지는 물리적 요구를 늘리지 않고도 정확도를 높일 수 있는 능력은 이 분야에 새로운 길을 제시합니다.

결론에서 저자들은 어떤 보정을 사용할지는 구체적인 문제에 따라 달라진다고 강조했습니다. 어떤 분자들에게는 첫 번째 방법이 속도와 정확도의 최적의 균형을 제공합니다. 또 다른 경우, 특히 초기 모델이 매우 제한적인 경우에는 두 번째 방법이 결정적인 추진력을 제공합니다. 이 연구는 양자 화학의 모든 문제를 해결했다고 주장하는 것이 아니라, 기존의 도구들을 더 효과적으로 만들기 위한 실용적인 도구를 제공하는 것입니다. 양자 하드웨어가 계속 발전함에 따라, 이러한 사후 최적화 기술은 연구 과정의 표준이 되어, 연구자들이 모든 양자 비트와 모든 측정으로부터 더 많은 것을 얻어낼 수 있게 할 것입니다. 이 연구는 때때로 시스템을 개선하는 가장 강력한 방법은 더 큰 것을 만드는 것이 아니라, 이미 가지고 있는 것을 어떻게 사용할지 더 깊이 고민하는 것임을 상기시켜 줍니다.