Trial-space co-design for quantum simulation on noisy hardware
이 논문은 물리적 문제에 대한 통찰과 노이즈가 있는 하드웨어 제약 조건을 통합하여 양자 시뮬레이션 기저 상태와 진화 시간을 최적화하는 시도 공간 공동 설계 프레임워크를 소개하며, 4-큐비트 실험을 통해 균일 샘플링 대비 에너지 오차를 54% 감소시킴을 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 컴퓨터는 새로운 의약품 설계부터 복잡한 물질의 거동 이해에 이르기까지, 오늘날의 기계로는 불가능한 문제들을 해결할 것을 약속합니다. 이를 위해 이들은 큐비트라고 불리는 아주 작은 입자들을 사용하는데, 이들은 동시에 여러 상태로 존재할 수 있습니다. 하지만 이 기계들은 현재 매우 취약합니다. 열이나 전기적 노이즈로부터 발생하는 아주 작은 방해조차도 정보의 손실을 일으키며, 과학자들은 이 문제를 "노이즈"라고 부릅니다. 이 때문에 연구자들은 종-종 실험을 설계할 때 컴퓨터가 완벽하다고 가정하고, 이미 어떤 상태를 연구할지 결정한 후에야 기계의 결함을 고민하곤 합니다. 이러한 접근 방식은 잠재적인 성능을 제대로 끌어내지 못하게 만드는데, 왜냐하면 문제를 표현하는 가장 좋은 방법이 실제로 문제를 풀려고 하는 고장 난 기계의 특정한 독특함에 따라 달라질 수 있기 때문입니다.
한 연구팀은 이제 이 간극을 메울 수 있는 새로운 방법인 "트라이얼 스페이스 공동 설계(trial-space co-design)"라는 방법을 시연했습니다. 물리적 문제와 하드웨어를 별개의 문제로 취급하는 대신, 그들은 실험을 시작하기도 전에 문제와 특정 컴퓨터 모두에 대한 정보를 사용하여 어떤 상태를 준비하고 측정할지 결정합니다. 이렇게 함으로써, 그들은 실제 노이즈가 있는 하드웨어에서 결과의 정확도를 크게 향상시킬 수 있음을 발견했습니다. 그들의 연구는 문제가 완벽한 모델에 기계를 맞추는 것이 아니라, 기계의 한계에 맞춰 문제의 표현을 조정함으로써, 오늘날의 불완전한 양자 컴퓨터로부터 훨씬 더 나은 답을 얻을 수 있다는 것을 시사합니다.
핵심 아이디어는 양자 시스템이 시간이 지남에 따라 어떻게 변하는지에 달려 있습니다. 완벽하고 격리된 세상에서 양자 상태는 시계 바늘이 얼굴 위를 회전하는 것처럼 내부 위상을 회전시키며 진화하며, 이때 서로 다른 부분들의 상대적인 중요성은 유지됩니다. 시스템의 최저 에너지 상태를 찾기 위해 연구자들은 보통 이 진화의 순간들을 서로 다른 시간대에 스냅샷으로 찍고 이를 결합합니다. 그러나 연구자들은 만약 환경과의 통제되고 모니터링된 상호작용을 도입한다면, 더 강력한 일을 할 수 있다는 것을 깨달았습니다. 즉, 구성 요소들의 상대적인 중요성을 바꿀 수 있다는 것입니다. 이는 특정 종류의 움직임은 부드럽게 억제하고 다른 움직임은 통과시키는 필터를 상상해 보십시오. 특정 결과, 즉 "점프"나 전이가 일어나는지를 관찰함으로써, 우리는 아무런 점프가 일어나지 않은 실험의 분기들만을 유지할 수 있습니다. 이 과정은 상태를 재형성하여 계산에 가장 유용한 부분들을 증폭시키고 나머지는 억제합니다.
이러한 재형성은 연구자들이 기존 방식으로는 보이지 않거나 재구성하기 위해 훨씬 더 많은 시간 샘플이 필요했을 문제 공간 내의 유용한 방향들을 찾아낼 수 있게 해줍니다. 그들은 격자 위를 움직이는 전자 모델과 상호작용하는 스핀 모델을 포함한 여러 모델에 대해 이 개념을 테스트했습니다. 시뮬레이션에서 이 새로운 방법은 전통적인 방식보다 훨씬 더 잘 핵심적인 물리학을 포착하는 훨씬 더 작은 상태 집합을 성공적으로 식별해 냈습니다. 예를 들어, 한 테스트에서 이 새로운 접근 방식은 계산된 에너지의 오차를 표준 방식에 비해 거의 200배 가까이 줄였습니다. 그러나 연구자들은 중요한 한계도 발견했습니다. 즉, 새로운 방법이 매우 유익한 상태들을 만들어내기는 하지만, 그 상태들이 때때로 서로 너무 비슷해져서 노이즈가 있는 컴퓨터가 서로를 구별할 수 없게 될 수도 있다는 점입니다. 만약 상태들이 너무 비슷하면, 컴퓨터는 신호와 노이즈를 안정적으로 구별할 수 없게 되어 추가된 정보가 무용지물이 됩니다. 이는 설계 시 가장 유익한 상태를 찾는 것과 그 상태들이 측정될 만큼 충분히 구별되도록 유지하는 것 사이의 균형을 맞춰야 함을 의미합니다.
이것이 실제 세상에서 어떻게 작동하는지 확인하기 위해, 팀은 시뮬레이션에서 실제 양자 프로세서로 옮겨갔습니다. 그들은 4개의 큐비트를 가진 장치를 사용하여 자기 시스템을 시뮬레이션했습니다. 실험을 실행하기 전, 그들은 기계의 현재 건강 상태(큐비트가 얼마나 안정적으로 유지되는지, 게이트가 얼마나 자주 실수를 하는지)에 대한 기록을 사용하여 시스템을 측정할 최적의 시간을 선택했습니다. 그들은 두 가지 전략을 비교했습니다. 하나는 측정 시간을 일정한 간격으로 배치하는 것이었고, 다른 하나는 문제와 기계의 현재 상태에 기반하여 특정하고 불균일한 시간을 선택하는 것이었습니다. 7일간의 테스트 기간 동안, 문제에 기반한 불균일한 시간을 사용한 전략이 일관되게 더 정확한 결과를 만들어냈습니다. 평균적으로, 계산된 에너지의 오차는 균일한 샘플링 방식에 비해 54% 감소했습니다. 이러한 개선은 기계의 성능이 매일 약간씩 변하더라도 유효하게 유지되었으며, 이는 특정 하드웨어와 특정 문제에 맞춰 실험을 설계하는 것이 일률적인 접근 방식보다 더 효과적임을 입증했습니다.
연구자들은 또한 이 방법이 질소 분자와 같은 다른 유형의 문제에도 적용될 수 있는지 탐구했습니다. 그들은 상태를 필터링하는 구체적인 규칙이 문제에 따라 달라지기는 하지만, 전체적인 논리는 동일하다는 것을 발견했습니다. 즉, 문제의 구조를 사용하여 후보 상태를 생성하고, 기계가 이를 지원할 수 있는지 확인한 다음, 더 작고 최적화된 공간에서 문제를 해결하는 것입니다. 이러한 유연성은 핵심적인데, 이는 이 방법이 특정 유형의 물리학이나 특정 기계에 국한되지 않음을 의미하기 때문입니다. 이 연구는 양자 컴퓨팅의 모든 문제를 해결했다고 주장하거나, 노이즈가 일반적으로 유용한 도구가 되었다고 제안하는 것이 아닙니다. 대신, 문제에 대한 구조화된 정보와 장치에 대한 정보를 사용하여 계산을 위한 더 나은 표현을 설계할 수 있음을 보여줍니다. 알고리즘과 하드웨어 사이의 인터페이스를 더 지능적으로 만듦으로써, 이 접근 방식은 오늘날 우리가 가진 노이즈가 있는 양자 컴퓨터로부터 더 많은 것을 얻어낼 수 있는 실질적인 방법을 제시하며, 기계의 한계를 올바른 질문을 던지는 가이드로 바꾸어 놓습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.