Quantum Computing through Computational Imaging: Representations, Measurement, and Inference

현대 과학의 세계에서 연구자들은 종종 불완전한 데이터로부터 이미지를 재구성하기 위해 복잡한 수학적 모델에 의존합니다. 예를 들어 인체의 내부를 보여주는 X선 그림자로부터 선명한 사진을 조립해내는 것과 같습니다. 이러한 모델은 정보를 숫자의 배열로 취급하며, 여기서 모든 항목은 특정 값과 특정 위치를 가집니다. 새로운 분야인 양자 컴퓨팅은 이러한 거대한 배열을 근본적으로 다른 방식으로 처리할 것을 약속합니다. 숫자를 격자에 저장하는 대신, 양자 컴퓨터는 큐비트라고 불리는 아주 작은 정보 단위들을 사용합니다. 이 큐비트들은 중첩 상태로 존재할 수 있는데, 이는 수학적 값인 진폭(amplitudes)으로 설명되는 여러 가능성의 조합을 동시에 보유할 수 있음을 의미합니다. 그러나 결정적인 함정이 있습니다. 이러한 진폭은 계산을 수행하기 위해 조작될 수는 있지만, 스프레드시트의 항목들처럼 직접적으로 읽어낼 수는 없다는 점입니다. 과학자가 결과를 관찰할 때, 양자 상태는 그 진폭들에 의해 정의된 확률에 따라 단 하나의 무작위 결과로 붕괴됩니다. 이는 양자 기계가 수행할 수 있는 강력한 계산 능력과 인간이 그로부터 추출해야 하는 실제 정보 사이에 간극을 만듭니다.

이탈리아와 그리스의 기관들로부터 온 한 연구팀은 이 간극을 메우기 위해, 특히 계산 영상학(computational imaging) 분야를 위해 노력해 왔습니다. 그들은 단순히 영상 문제를 양자 형식으로 변환하는 것만으로는 충분하지 않으며, 양자 상태가 무엇을 나타내는지, 어떻게 측정되는지, 그리고 최종 결정이 실제로 무엇인지 신중하게 정의해야 한다고 주장합니다. 그들의 연구에서, 그들은 데이터를 양자 시스템에 인코딩하는 방식이 얻게 되는 답의 성격을 변화시킨다는 것을 입증합니다. 그들은 원시 이미지 데이터를 진폭으로 저장하는 것이 문제를 해결하기 위한 가능한 해답들의 목록을 진폭으로 나타내는 것과는 다르다는 것을 보여줍니다. 정교하게 설계된 일련의 예시들을 통해, 그들은 양자 컴퓨터가 최선의 해답을 가장 높은 확률로 만들어내지는 못하더라도, 해답의 평균 비용을 낮출 수 있다는 점을 밝혀냅니다. 이러한 구분은 양자 기계를 사용하여 실제 세계의 영상 문제를 해결하고자 하는 모든 이들에게 매우 중요한데, 이는 이러한 장치들이 무엇을 제공할 수 있고 무엇을 제공할 수 없는지를 명확히 해주기 때문입니다.

연구진은 영상 작업을 위해 양자 컴퓨터를 사용하는 두 가지 매우 다른 방식을 조사하는 것으로 시작했습니다. 첫 번째 접근 방식인 진폭 인코딩(amplitude encoding)에서는 이미지의 실제 픽셀 밝기 값을 양자 상태의 진폭에 직접 저장합니다. 만약 네 개의 픽셀이 있다면, 두 개의 큐비트를 사용하여 그 값들을 보유할 수 있습니다. 그러나 이 시스템을 측정할 때, 당신은 픽셀 값을 돌려받는 것이 아닙니다. 대신, 픽셀의 밝기에 따라 해당 위치를 선택할 확률에 기초하여 무작위로 선택된 단 하나의 위치를 얻게 됩니다. 이미지의 원래 규모는 이 과정에서 소실되며, 재구성에 결정적일 수 있는 복잡한 위상 정보는 숨겨지게 됩니다. 두 번째 접근 방식은 연구팀이 최적화 문제에 선호하는 방식으로, 큐비트는 이미지 데이터 자체를 저장하지 않습니다. 대신, 그것들은 모든 픽셀을 배경 또는 전경으로 라벨링하는 구체적인 방법과 같은 완전한 후보 해답을 나타냅니다. 여기서 진폭은 그러한 전체 라벨링이 올바른 답일 가능성을 나타냅니다. 양자 상태가 무엇을 의미하는지에 대한 이 미묘한 변화는 결과가 해석되는 방식에 관한 모든 것을 바꿉니다.

이 아이디어들을 테스트하기 위해, 연구팀은 두 영역으로 분할(segmentation)되어야 하는 4픽셀 이미지를 포함하는 작고 구체적인 시나리오를 구성했습니다. 그들은 픽셀의 밝기를 임계값에 맞추는 것에는 보상을 주고, 이웃한 픽셀들 사이에 서로 다른 라벨을 갖는 것에는 벌점을 주는 수학적 목표를 정의했습니다. 이는 각각 특정한 '에너지' 또는 비용을 가진 가능한 해답들의 지형을 만들었습니다. 그런 다음 그들은 양자 근사 최적화 알고리즘(Quantum Approximate Optimization Algorithm)으로 알려진 양자 알고리즘을 사용하여 최적의 라벨링을 탐색했습니다. 이 알고리즘은 양자 상태를 준비하고, 각 해답의 비용에 따라 진폭을 뒤트는 일련의 연산을 적용한 다음, 간섭을 일으키기 위해 이들을 혼합하는 방식으로 작동합니다. 목표는 최선의 해답이 다른 해답들보다 더 자주 나타나도록 만드는 것입니다.

그들의 시뮬레이션 결과는 직관에 반하는 진실을 드러냈습니다. 알고리즘을 실행한 후, 양자 컴퓨터가 생성한 해답들의 평균 비용은 1.675에서 0.686으로 크게 감소했습니다. 이는 기계가 무작위 추측보다 더 나은 해답을 성공적으로 찾아내고 있음을 시사했습니다. 그러나 연구진이 가장 빈번하게 나타나는 특정 해답들을 살펴보았을 때, 가장 낮은 비용인 0.375를 가진 단 하나의 최적의 라벨링이 가장 흔한 결과가 아니라는 것을 발견했습니다. 대신, 비용이 0.675인 약간 더 나쁜 해답이 더 자주 나타났습니다. 평균 에너지를 낮추는 데 도움을 주었던 양자 간섭이 오히려 최적의 해답보다 차선의 해답이 나타날 확률을 높였던 것입니다. 이 발견은 시스템의 평균 에너지를 낮추는 것이 자동으로 관찰 가능한 최적의 해답을 가장 높은 확률로 만드는 것은 아니라는 가설에 도전합니다.

연구팀은 기존 양자 하드웨어, 구체적으로 IBM과 IQM에서 제공하는 장치들로부터 얻은 실제 세계의 측정값을 통해 이를 더욱 탐구했습니다. 그들은 6개의 픽셀을 포함하여, 영역 사이의 특정 경계를 결정하는 것을 목표로 하는 약간 더 큰 작업을 분석했습니다. 실제 하드웨어의 노이즈와 결함에도 불구하고, 데이터는 단 하나의 완벽한 해답을 찾을 확률과 국부적인 경계에 대해 올바른 답을 얻을 확률 사이의 명확한 구분을 보여주었습니다. 어떤 경우에는 하드웨어가 완벽한 전역적(global) 해답을 찾는 것보다 국부적인 경계를 정확히 맞추는 데 훨씬 더 유능했습니다. 이는 "최선의" 답이 당신이 어떤 질문을 던지느냐에 전적으로 달려 있다는 생각을 강화합니다. 만약 당신에게 절대적인 최선의 전역적 구성이 필요하다면, 양자 컴퓨터는 그것을 효율적으로 제공하는 데 어려움을 겪을 수 있습니다. 만약 당신에게 신뢰할 수 있는 국부적 결정이 필요하다면, 동일한 기계가 상당히 효과적일 수 있습니다.

연구진은 또한 이러한 예시들을 사용하여 양자 컴퓨터가 불확실성과 정보를 어떻게 다루는지 명확히 했습니다. 그들은 파동의 위상과 같은 숨겨진 속성을 배우기 위해서는 단 한 가지 유형의 측정에 의존할 수 없음을 보여주었습니다. 마치 사진가가 물체의 전체 형상을 보기 위해 다양한 조명 각도에서 사진을 찍어야 하는 것처럼, 양자 과학자는 단일 뷰로는 감지할 수 없는 모호함을 해결하기 위해 다양한 측정 설정을 사용해야 합니다. 그들은 국부적인 측정이 시스템의 작은 부분에 대한 정밀한 정보를 제공할 수는 있지만, 전역적인 그림은 모호하게 남겨둘 수 있음을 입증했습니다. 상보적인 측정들의 결과를 결합해야만 전체 그림을 재구성할 수 있습니다.

마지막으로, 논문은 이러한 양자 방법들이 실제로 클래식 컴퓨터보다 더 빠르거나 효율적인지에 대한 질문을 다룹니다. 저자들은 자신들이 연구한 작은 예시들에 대해서는 클래식 컴퓨터가 문제를 즉각적이고 정확하게 해결할 수 있다는 점을 주의 깊게 언급합니다. 이 연구의 가치는 아직 존재하지 않는 속도 향상을 주장하는 데 있는 것이 아니라, 두 체계를 비교하기 위한 명확한 프레임워크를 구축하는 데 있습니다. 그들은 양자 이점(quantum advantage)에 대한 어떠한 주장도 전체 과정을 고려해야 한다고 주장합니다. 즉, 데이터가 어떻게 로드되는지, 회로가 어떻게 구축되는지, 신뢰할 수 있는 답을 얻기 위해 기계를 몇 번 실행해야 하는지, 그리고 최종 결과가 어떻게 디코딩되는지를 고려해야 한다는 것입니다. 그들은 양자 상태를 준비하는 비용과 좋은 답을 얻기 위해 필요한 샷(shots)의 수가 알고리즘 자체만큼이나 중요하다는 것을 보여줍니다.

결론에서 연구팀은 양자 영상학의 나아갈 길이 모든 문제를 양자 틀에 억지로 맞추는 것이 아니라, 실제로 필요한 특정 양에 맞춰 계산을 설계하는 것이라고 강조합니다. 목표가 전체 이미지 재구성이든, 픽셀 간의 특정 상관관계든, 혹은 경계에 대한 단순한 결정이든, 요구되는 출력값이 방법론을 결정합니다. 데이터의 표현을 측정 및 최종 결정과 분리함으로써, 연구진은 엔지니어와 과학자들이 양자 컴퓨터가 실제로 무엇을 반환할 수 있는지 이해할 수 있는 로드맵을 제공합니다. 그들은 기술이 유망하지만, 양자 상태에서 유용한 과학적 답변으로 가는 여정은 자원에 대한 신중한 계산, 목표에 대한 명확한 정의, 그리고 기계가 실제로 생산할 결과에 대한 현실적인 기대치를 필요로 한다는 점을 보여줍니다. 이 연구는 양자 컴퓨팅에 대한 기대가 그 역량과 한계에 대한 정밀한 이해에 기반하도록 돕는 실질적인 가이드 역할을 합니다.