Engineered Learning Problems on Noisy Quantum Processors
이 논문은 최대 45개의 큐비트를 가진 노이즈가 있는 양자 프로세서 상의 설계된 분류 문제들이, 특히 오류 완화 기술에 의해 강화될 때 고전적 방법들을 능가할 수 있음을 입증하지만, 행렬 곱 상태(matrix product states)와 같은 최첨단 시뮬레이션 기법을 넘어서는 것은 여전히 중요한 과제로 남아 있다.
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
오늘날의 컴퓨터가 도달할 수 없는 문제를 해결할 수 있는 기계를 만들기 위한 경쟁 속에서, 과학자들은 물리 법칙 자체가 프로세서가 되는 분야를 탐구하고 있습니다. 이것이 바로 양자 머신러닝의 영역이며, 이 학문은 아원자 입자의 기묘하고 직관에 반하는 행동을 사용하여 패턴을 인식하고 예측을 시도합니다. 핵심 아이디어는 '커널(kernel)'이라 불리는 개념에 의존하는데, 이는 본질적으로 두 데이터의 유사성을 측정하는 수학적 도구입니다. 고전 컴퓨터에서 이 도구는 익숙한 방식으로 데이터 포인트를 비교함으로써 작동합니다. 양자 컴퓨터에서는 데이터가 먼저 양자 역학의 언어로 번역되며, 그곳에서 데이터는 고전적 기계가 탐색하기 어려운 복잡하고 고차원적인 공간에 존재하게 됩니다. 이러한 번역을 수행함으로써 양자 기계가 고전적 방법으로는 결코 볼 수 없는 데이터 속의 숨겨로된 연결 고리를 찾아낼 수 있기를 기대하는 것입니다. 그러나 한 가지 지속적인 질문이 이 분야에 따라다니고 있습니다. 과연 이 노이즈가 섞인 불완전한 양자 장치들이 실제로 가장 강력한 고전 슈퍼컴퓨터를 능가할 수 있을 것인가, 아니면 단지 스스로의 취약함이라는 무게 아래에서 허우적거리고 있는 것뿐인가 하는 점입니다.
연구팀은 양자 컴퓨터가 이론적으로 우위를 점할 수 있는 특정한 인공적 도전을 설계함으로써 이 질문에 답하고자 했습니다. 그들은 날씨 예측이나 질병 진단과 같은 실제 세계의 문제를 해결하려 하지 않았는데, 그 이유는 그러한 작업에 대한 고전적 방법론이 너무나 강력하고 너무 잘 알려져 있기 때문입니다. 대신, 그들은 맞춤형 퍼즐을 만들었습니다. 그들은 티셔츠나 드레스 같은 의류 사진을 포함한 표준 이미지 세트를 가져와 양자 회로를 사용하여 데이터를 새로운 형태로 변환했습니다. 그런 다음, 그 변환의 결과를 사용하여 이미지에 레이블을 할당함으로써, 효과적으로 '정답'이 양자 기계 자체의 독특한 관점에 의해 정의되는 테스트를 만들었습니다. 목표는 양자 컴퓨터가 동일한 퍼즐을 풀려고 시도하는 고전 컴퓨터보다 이 레이블들을 더 잘 예측할 수 있는지 확인하는 것이었습니다. 결과가 특정 기계의 특이한 현상이 아닌 순수한 결과임을 보장하기 위해, 연구진은 54개의 큐비트를 가진 프로세서와 20개의 큐비트를 가진 프로세서라는 두 가지 서로 다른 양자 프로세서에서 실험을 수행했으며, 결과가 서로 다른 노이즈 프로필에서도 유지되는지 확인하기 위해 동일한 칩의 다른 섹션에서도 동일한 문제를 테스트했습니다.
연구진은 양자 회로가 비교적 단순하게 유지될 때, 양자 기계가 실제로 고전적 경쟁자들을 능가한다는 것을 발견했습니다. 양자 기계는 높은 정확도로 레이블을 성공적으로 예측한 반면, 최고의 고전 모델들은 이를 따라잡는 데 어려움을 겪었습니다. 이러한 성능 격차는 서로 다른 하드웨어 설정 전반에 걸쳐 명확하고 재현 가능하게 나타났습니다. 그러나 연구진이 더 많은 데이터를 처리하기 위해 양자 회로를 더 깊고 복잡하게 만들수록, 그 우위는 점차 사라지기 시작했습니다. 현재의 양자 하드웨어에 내재된 노이즈, 즉 기계가 작동함에 따라 필연적으로 발생하는 오류가 결과를 왜곡하기 시작한 것입니다. 특정 계산의 10단계에 해당하는 회로 깊이에 도달했을 때, 양자 기계의 성능은 너무 낮아져서 더 이상 고전 모델을 이길 수 없게 되었습니다. 양자 컴퓨터는 더 이상 승리하지 못했고, 고전 컴퓨터만큼이나 혼란에 빠져 있었습니다.
연구팀은 이후 실험이 실행된 후 노이즈가 섞인 데이터를 정화하기 위해 설계된, 즉 알려진 오류를 차감하여 진정한 신호를 드러내는 '오류 완화(error mitigation)' 기술로 눈을 돌렸습니다. 그들은 기계에 노이즈가 전혀 없었을 때의 결과가 무엇이었을지 추측하는 방법과, 큐비트를 안정시키기 위해 일련의 빠른 펄스를 사용하는 방법 등 여러 방법을 테스트했습니다. 그들은 모든 오류 수정 방법이 동일하게 효과적이지 않다는 것을 발견했습니다. 단순히 기계가 읽는 방식에 따라 최종 수치를 조정하는 기술은 도움이 되지 않았습니다. 노이즈가 없는 결과를 외삽(extrapolate)하려고 시도한 또 다른 방법은 성능 격차를 회복시키기는 했지만, 이는 양자 컴퓨터를 유의미하게 개선한 것이 아니라 퍼즐 자체를 고전 컴퓨터가 풀기 더 어렵게 만듦으로써 달성된 것이었습니다. 가장 효과적인 기술은 공정 중에 능동적으로 노이즈를 억제하는 방법이었습니다. 이 접근 방식은 양자 기계의 우위를 회복시켰을 뿐만 아니라, 퍼즐을 해결하는 능력을 실제로 향상시켜 완벽하고 노이즈가 없는 기계가 달성할 수 있는 수준에 훨씬 가깝게 도달하게 했습니다.
이러한 성공에도 불구하고, 연구진은 자신들의 연구가 증명하지 않은 것에 대해서도 주의 깊게 명시했습니다. 그들은 양자 하드웨어가 특정 공학적 과업에서 고전적 머신러닝 모델보다 뛰어난 성능을 낼 수 있음을 보여주었지만, 동시에 이 우위가 절대적인 것은 아니라는 점도 보여주었습니다. 양자 시스템을 모사하도록 설계된 강력한 고전 알고리즘인 행렬 곱 상태(matrix product state)를 사용하여 양자 과정을 시뮬레이션했을 때, 고전 시뮬레이션은 노이즈가 섞인 양자 하드웨어와 대등한 성능을 보였습니다. 이는 현재의 양자 우위가 취약하며, 특정 유형의 문제와 노이즈 수준에 크게 의존한다는 것을 시사합니다. 고전 시뮬레이션이 대등한 성과를 낼 수 있었던 이유는 실험에 사용된 양자 회로가 고전 컴퓨팅의 한계를 깨뜨릴 만큼 충분히 복잡하지 않았기 때문입니다. 연구진은 양자 기계가 승리할 수 있는 경로를 보여주었으나, 최고의 고전 시뮬레이션 방법들을 이겨내는 것이 여전히 거대한 장애물로 남아 있다는 결론을 내렸습니다. 앞으로 나아가기 위해서는 단순히 고전 컴퓨터가 시뮬레이션하기 어려운 문제가 아니라, 오늘날 사용 가능한 가장 발전된 알고리즘을 사용하더라도 고전 컴퓨터가 흉내 내는 것이 불가능한 문제를 설계해야 합니다.
이 연구는 양자 컴퓨팅의 현재 지형에 대한 현실적인 지도를 제공합니다. 이 연구는 양자 기계가 고전적인 것들이 할 수 없는 일을 할 수 있지만, 이는 오직 엄격하게 통제된 조건 하에서 그리고 오류 수정의 도움을 받을 때만 가능하다는 것을 확인해 줍니다. 또한 이 분야가 여전히 기계의 '노이즈'가 승리와 패패를 결정짓는 중요한 요소가 되는 단계에 있음을 강조합니다. 서로 다른 오류 완화 기술이 매우 상이한 효과를 낸다는 점을 보여줌으로써, 이 작업은 미래의 실험을 위한 로드맵을 제공하며, 단순히 양자 알고리즘을 실행하는 것만으로는 부족하며 기계가 만들어낸 혼란을 정화할 적절한 도구를 선택해야 한다는 점을 시사합니다. 연구진은 양자 우위의 문제를 해결했다고 주장하지 않았지만, 문제를 충분히 세심하게 선택한다면 현재 가장 큰 장애물인 고전적 시뮬레이션들을 압도할 수 있다는 강력한 증거를 제시했습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.