Inferring the Number of Quantum State Transfers with Neural Networks

미래의 양자 인터넷이라는 거대하고 정적이며 구조적인 체계 속에서, 정보는 전선이나 광섬유를 통해 이동하는 것이 아니라 양자 입자들의 섬세하고 보이지 않는 연결을 통해 이동합니다. 이 정보를 이동시키는 유망한 방법 중 하나는 스핀이라고 불리는 작은 자석들을 한 줄로 배열하여 사용하는 것입니다. 첫 번째 도미노를 쓰러뜨리면 그 움직임이 줄을 따라 파동처럼 전달되어 반대편 끝까지 메시지를 전달하는 도미노를 상상해 보십시오. 완벽한 세상이라면, 과학자들은 매 메시지마다 전체 라인을 시작 위치로 초기화하여 다음 전송을 위한 깨끗한 상태를 확보할 것입니다. 하지만 물리적 실험의 무질서한 현실 속에서, 초기화는 느리고 어렵습니다. 만약 이 체인을 깨끗하게 닦아내지 않고 반복해서 사용한다면, 이전 메시지의 희미한 메아리가 매체에 남아 남아있는 상태로 새로운 전송을 방해하게 됩니다. 이러한 잔류 효과를 '메모리(기억)'라고 합니다. 수년 동안 이 메모리는 신호의 품질을 저하시키는 소음의 원인, 즉 단순한 방해 요소로만 간주되어 왔습니다. 그러나 새로운 연구 흐름은 다른 질문을 던집니다. 만약 채널이 자신의 과거를 기억한다면, 그 기억이 데이터 자체에 지문을 남기지 않을까 하는 점입니다. 체인이 사용된 횟수의 역사가, 설령 수신자가 그 횟수를 알 수 있는 다른 방법이 전혀 없더라도, 도착한 메시지로부터 직접 읽힐 수 있을까요?

몰타 대학교의 연구팀은 이 문제를 방정식으로 해결해야 할 물리학적 퍼즐이 아니라, 컴퓨터를 이용한 패턴 인식 과제로 취급하며 이 질문에 답하고자 했습니다. 그들은 특정 시점에 완벽한 정밀도로 정보를 이동하도록 설계된 특정 유형의 양자 체인에 집중했습니다. 시뮬레이션에서 그들은 이 체인을 초기화 없이 연속으로 최대 다섯 번까지 반복해서 사용했습니다. 현실 세계의 불완전함을 모사하기 위해, 그들은 결과를 확인하는 타이밍에 작고 일관된 오차를 도입하여, 체인이 결코 정확히 완벽한 순간에 읽히지 않도록 했습니다. 이 다섯 번의 사용 각각에 대해, 그들은 무작위 양자 상태를 체인에 보냈고 출력된 상태를 기록했습니다. 핵심 과제는 단순하면서도 심오했습니다. 입력 상태와 출력 상태만을 가지고, 머신러닝 알고리즘이 이것이 몇 번째 사용인지를 판별할 수 있는가 하는 것이었습니다. 이것이 첫 번째 사용이었는지, 아니면 다섯 번째 사용이었는지 말입니다.

연구진은 이를 해결하기 위해 피드포워드 신경망(feed-forward neural network)으로 알려진 단순한 형태의 인공지능을 훈련시켰습니다. 그들은 컴퓨터에 입력된 상태의 설명과 수신된 상태의 설명, 그리고 그것이 몇 번째 사용인지에 대한 정답을 포함한 수천 개의 사례를 입력했습니다. 컴퓨터는 첫 번째 사용과 두 번째, 세 번째, 네 번째, 다섯 번째 사용 시의 미세한 행동 차이를 학습해야 했습니다. 결과는 놀라웠습니다. 네트워크는 90%가 넘는 정확도로 올바른 사용 횟수를 식별하는 법을 배웠습니다. 이는 단 한 번의 전송 데이터만 보고도 시스템이 채널의 이력을 높은 신뢰도로 파악할 수 있으며, 매체를 건드리거나 작동을 멈추지 않고도 기계의 메모리를 효과적으로 읽어낼 수 있음을 의미합니다.

연구팀은 데이터를 컴퓨터에 설명하는 방식이 매우 중요하다는 것을 발견했습니다. 양자 상태는 여러 방식으로 기술될 수 있으며, 연구진은 두 가지 서로 다른 방법을 테스트했습니다. 첫 번째 방법은 모든 방향 성분을 포함한 상태의 상세하고 완전한 설명을 사용하는 것이었습니다. 두 번째 방법은 체인의 물리학에 존재하는 특정 대칭성을 활용하여, 과제와 무관한 정보를 제거한 단순화된 설명을 사용하는 것이었습니다. 이 단순화된 접근 방식이 훨씬 더 효율적임이 증명되었습니다. 이 방식은 정확도를 약 95%까지 끌어올렸을 뿐만 아니라, 동일한 수준에 도달하는 데 필요한 훈련 데이터의 양도 현저히 줄여주었습니다. 실제로 단순화된 방법은 전체 설명을 사용했을 때와 같은 성능을 내기 위해 4배에서 7배 더 적은 사례만을 필요로 했습니다. 이는 기초 물리학을 이해함으로써 과학자들이 기계가 노이즈를 무시하고 실제로 중요한 신호에 집중하여 더 빠르고 효과적으로 학습하도록 가르칠 수 있음을 시사합니다.

또한 이 연구는 데이터의 양이 학습 과정에 어떤 영향을 미치는지 밝혀냈습니다. 연구진은 시스템의 정확도가 제공된 총 사례 수에 달려 있지만, 그 사례들이 다양한 입력 상태에서 왔는지 혹은 다양한 타이밍 오차에서 왔는지는 중요하지 않다는 것을 발견했습니다. 이 두 요인은 동등하게 중요했으며, 중요한 것은 두 값의 곱이었습니다. 이 발견은 향 \후 실험을 위한 실질적인 지침을 제공합니다. 즉, 충분한 총량이 확보된다면 모든 가능한 타이밍 오차나 모든 가능한 상태를 샘플링하는 것에 집착할 필요 없이 신뢰할 수 있는 시스템을 구축할 수 있다는 것입니다. 나아가, 시스템은 놀라운 일반화 능력을 보여주었습니다. 훈련 중에 본 적 없는 타이밍 오차에 대해서도 올바르게 사용 횟수를 식별해 냈는데, 이는 시스템이 단순히 특정 지점을 암기한 것이 아니라 물리적 과정의 매끄럽고 연속적인 특성을 학습했음을 시사합니다.

시스템이 오류를 범할 때도, 그것은 드물게 터무-없는 추측이었습니다. 연구진은 오류를 분석하여, 컴퓨터가 틀렸을 때 대개 진실에 매우 가까운 숫자를 예측한다는 것을 발견했습니다. 예를 들어, 체인이 네 번째 사용 중일 때, 시스템은 첫 번째가 아니라 세 번째나 다섯 번째라고 예측할 가능성이 가장 높았습니다. 이는 시스템이 비록 완벽하게 정밀하지는 않더라도 사건의 순서를 이해하고 있음을 나타냅니다. 첫 번째 사용을 다섯 번째라고 예측하는 것과 같은 큰 도약의 오류는 거의 항상 타이밍 오차가 매우 작아 완벽한 순간에 가까울 때 발생했습니다. 이 특정 영역에서는 체인의 메모리가 너무 희미하여 사용 간의 차이가 극히 미미하므로 구분이 거의 불가능합니다. 이는 시스템이 패턴을 환각하는 것이 아니라, 메모리 효과의 물리적 한계에 진정으로 반응하고 있음을 확인시켜 줍니다.

궁극적으로, 이 연구는 흔히 결함으로 치부되는 양자 채널의 메모리가 사실은 풍부한 정보의 원천임을 보여줍니다. 메모리는 입력과 출력 행동 속에 채널의 이력을 남깁니다. 현대적인 학습 도구를 사용하면, 매체를 조사하거나 통신을 중단하지 않고도 전송 데이터만으로 이 기록을 추출할 수 있습니다. 이러한 능력은 미래의 양자 네트워크 관리에서 매우 중요할 수 있으며, 엔지니어들이 데이터가 흐르는 것을 듣는 것만으로도 장치를 교정하고, 드리프트(drift)를 모니터링하며, 자원을 추적할 수 있게 해줄 것입니다. 이 연구는 정보가 반복적인 사용에 의해 저하되는 시스템에서도, 그 저하의 역사가 사라지는 것이 아니라 신호 속에 인코딩되어 적절한 관찰자가 읽어주기를 기다리고 있음을 보여줍니다.