Classical Pre-Training of Large Shallow Parametrized Quantum Circuits through Pauli Propagation and deployment on Quantum Hardware
이 논문은 파울리 전파(Pauli propagation)를 통해 역방향 관측량 전파(backward observable propagation)로 손실 함수를 효율적으로 최적화함으로써 대규모 얕은 매개변수화 양자 회로를 위한 고전적 사전 훈련 프레 lackwork를 제안하며, 변분 고유값 계산 및 생성 모델링과 같은 작업을 위해 결과적인 매개변수를 64큐비트 IBM 양자 하드웨어에 성공적으로 배포함을 입증한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
양자 기계 학습은 미시 세계의 기이한 법칙이 복잡한 문제를 해결하려는 실질적인 필요와 만나는 최전선에 위치해 있습니다. 그 핵심에는 여러 상태로 동시에 존재할 수 있는 양자 비트, 즉 큐비트로 구성된 회로가 있으며, 이는 고전 컴퓨터가 할 수 없는 방식으로 정보를 처리할 수 있게 해줍니다. 이러한 회로를 유용하게 만들기 위해 과학자들은 특정 과업을 위한 최적의 해답을 찾을 때까지 내부 설정을 조정하는, 마치 라디오를 튜닝하여 선명한 신호를 찾는 것과 같은 '훈련' 과정을 거쳐야 합니다. 그러나 더 어려운 문제를 해결하기 위해 이 회로들이 커질수록, 훈련 과정은 병목 현상이 됩니다. 표준적인 방법은 회로가 얼마나 잘 수행되는지 측정하기 위해 물리적인 양자 기계로 데이터를 수천 번씩 주고받는 과정을 요구합니다. 이는 현재의 양자 기계가 매우 취약하고 노이즈가 많기 때문에 느리고 비용이 많이 들며 오류가 발생하기 쉽습니다. 핵심적인 과제는 섬세한 하드웨어에 끊임없이 의존하지 않고도 훈련의 중책을 수행할 수 있는 방법을 찾는 것입니다.
한 연구팀은 훈련의 부담을 전적으로 고전 컴퓨터로 옮기고, 양자 기계는 오직 최종 테스트를 위해서만 사용하는 새로운 접근 방식을 개발했습니다. '파울리 전파(Pauli propagation)'라고 불리는 그들의 방법은 정보의 흐름을 역방for 바꾸는 방식으로 작동합니다. 양자 상태를 회로를 통해 앞으로 보내 결과가 무엇인지 확인하는 대신, 그들은 답하고자 하는 질문에서 시작하여 회로의 층을 거슬러 뒤로 거슬러 올라갑니다. 질문이 게이트의 흐름을 거슬러 이동함에 따라 질문이 어떻게 변하는지를 추적함으로써, 그들은 표준적인 컴퓨터 성능만을 사용하여 회로의 동작을 정밀한 수학적 기술로 작성할 수 있습니다. 이 기술은 지도 역할을 하여, 회로의 설정을 변경하는 것이 최종 결과에 어떻게 영향을 미칠지를 정확하게 보여줍니다. 이 지도는 고전 컴퓨터를 기반으로 구축되었기 때문에, 연구자들은 단 몇 초 만에 설정을 수백만 번 조정할 수 있습니다. 만약 매번 변화할 때마다 실제 양자 장치에서 회로를 실행해야 했다면 며칠 또는 몇 주가 걸렸을 작업입니다.
연구진은 가장 강력한 고전 슈퍼컴퓨터조차 직접 시뮬레이션하기에는 너무 큰 규모인 64 큐비트 회로를 사용하여 두 가지 매우 다른 문제에 대해 이 전략을 테스트했습니다. 첫 번째 실험에서 그들은 물리학의 문제인 변분 양자 고유값 솔버(Variational Quantum Eigensolver)를 다루었는데, 이는 자석의 가장 안정적인 배열을 찾는 것과 유사하게 시스템의 최저 에너지 상태를 찾는 데 사용됩니다. 그들은 역방향 전파법을 사용하여 고전 컴퓨터에서 회로를 훈련시킨 후, 그 결과로 얻은 설정을 'ibm berlin'이라는 실제 양자 프로세서에 배치했습니다. 고전적인 훈련은 매개변수를 성공적으로 최적화했지만, 연구진은 양자 하드웨어에서 생성된 결과와 이론적 바닥 상태(ground state) 사이에 지속적인 격차가 있음을 관찰했습니다. 그들은 이 격차가 훈련 절차 자체의 실패라기보다는 관측량을 추정하는 하드웨어의 정밀도 문제 때문이라고 설명했습니다. 두 번째 실험에서 그들은 회로가 단순한 흑백 이미지를 생성하는 생성기 역할을 하도록 훈련시켰는데, 이는 본질적으로 손글씨 숫자와 같은 패턴을 만들도록 가르치는 것입니다. 여기서도 그들은 모델을 전적으로 고전 컴퓨터에서 훈련시킨 후 최종 버전을 양자 프로세서에서 실행했습니다. 기계는 인식 가능한, 비록 노이즈는 섞여 있지만 숫자의 이미지를 생성해 냈으며, 이는 이 방법이 생성 과업에도 작동함을 입증했습니다.
이 연구의 핵심 발견은 이 접근 방식이 양자 하드웨어를 훨씬 더 효율적으로 사용할 수 있게 해준다는 점입니다. 연구진은 자신들이 설계한 회로가 유사한 작업에 사용되는 다른 일반적인 설계들보다 훨씬 적은 수의 복잡한 게이트를 필요로 한다는 것을 발견했습니다. 이러한 감소는 매우 중요한데, 왜냐하면 추가되는 모든 게이트는 오류의 층을 더하고 실제 기계에서 실행하는 데 더 많은 시간을 소요하게 만들기 때문입니다. 더 적은 수의 게이트를 사용함으로써, 회로는 노이즈로 인해 무너지지 않고 현재의 하드웨어에서 실행될 수 있을 만큼 얕은 깊이를 유지할 수 있었습니다. 연구는 고전적인 훈련이 매우 효과적이었음에도 불구하고, 양자 기계에서의 최종 결과는 여전히 완벽한 고전 시뮬레이션과 격차를 보였다는 점을 강조했습니다. 이 격차는 훈련 방법의 실패가 아니라, 결과를 완벽하게 측정하는 데 어려움을 겪는 물리적 양자 프로세서의 내재적 한계 때문이었습니다. 연구진은 이 방법이 모든 문제를 즉각적으로 해결하는 마법의 탄환은 아니라고 언급했습니다. 그것은 이전에 불가능했던 규모에서 훈련을 가능하게 만드는 실용적인 도구입니다.
이 연구는 양자 컴퓨터가 더 이상 학습 과정의 엔진이 아니라 실행의 최종 단계가 되는 새로운 경로를 제시합니다. 최적화라는 집중적인 작업을 고전 기계로 옮김으로써, 과학자들은 현재 하드웨어의 속도와 취약성에 발목 잡히지 않고 수백 큐비트 규모의 시스템으로 확장할 수 있습니다. 연구진은 특히 생성 모델에 사용되는 손실 함수를 개선하고 실제 장치에서 발견되는 특정 유형의 노이즈를 고려하는 등 아직 해야 할 일이 남아 있음을 인정합니다. 그러나 64 큐비트에서의 시연은 강력한 개념 증명 역할을 합니다. 이는 회로를 훈련시키는 방식에 대해 다르게 생각함으로써, 양자 기계 학습의 이론적 잠재력과 오늘날 기술의 실질적 현실 사이의 간극을 메울 수 있음을 보여줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.