High-fidelity quantum gate learning via physics-informed neural networks

실용적인 양자 컴퓨터를 구축하려는 여정에서 과학자들은 극도로 정밀한 작업을 수행해야 한다는 근본적인 장애물에 직면해 있습니다. 이 기계들은 여러 상태에 동시에 존재할 수 있는 '큐비트'라고 불리는 아주 작은 정보 단위에 의존하며, 이 특성은 특정 문제들을 기존 컴퓨터보다 훨씬 빠르게 해결할 수 있게 해줍니다. 그러나 연구자들은 이 큐비트들을 유용하게 만들기 위해, 계산의 기본 구성 요소인 논리 게이트를 생성할 수 있도록 완벽한 타이밍과 강도로 이들을 제어해야 합니다. 과제는 큐비트를 조종하는 실질적인 라디오파나 레이저 펄스와 같은 제어 신호를 설계하는 데 있습니다. 이 신호들은 오류를 피하기 위해 매끄럽고 세심하게 형태가 잡혀야 하지만, 동시에 양자 입자가 어떻게 움직이고 상호작용하는지를 규정하는 엄격한 물리 법칙을 준수해야 합니다. 만약 제어가 너무 거칠거나 부정확하면, 섬세한 양자 상태가 붕elli(붕괴)되어 계산이 실패하게 됩니다. 수년 동안 이러한 완벽한 제어 신호를 찾는 작업은 무겁고 반복적인 컴퓨터 계산을 필요로 했으며, 이는 속도가 느리고 복잡한 기계를 위해 규모를 키우기가 어려웠습니다.

한 연구팀은 이제 '물리 정보 신경망(physics-informed neural network)'이라 불리는 유형의 인공지능을 사용하여 이 문제를 해결하는 새로운 방법을 제안했습니다. 컴퓨터를 단순히 최적의 신호를 추측하는 '블랙박스'로 취급하는 대신, 이 접근 방식은 컴퓨터에게 큐비트를 지배하는 실제 물리 법칙을 가르칩니다. 연구진은 두 가지 특정 작업, 즉 중첩 상태를 만드는 단일 큐비트 연산인 '하다마드 게이트(Hadamard gate)'와 두 큐비트를 연결하여 얽힘을 만드는 이 큐비트 연산인 '제어-NOT 게이트(controlled-NOT gate)'를 위한 완벽한 제어 펄스를 찾도록 시스템을 훈련시켰습니다. 양자 시스템이 어떻게 진화하는지를 설명하는 핵심 규칙인 '시간 의존 슈뢰딩거 방정식(time-dependent Schrödinger equation)'을 훈련 과정에 직접 삽입함으로써, 네트워크는 원하는 결과와 시스템의 물리적 제약을 모두 충족하는 매끄럽고 연속적인 제어장을 생성하는 법을 배웠습니다.

이 시뮬레이션의 결과는 놀라울 정도로 정밀합니다. 단일 큐비트 하다마드 게이트의 경우, 시스템은 약 8.49 × 10⁻⁸ 정도의 평균 오차율을 달amos(달성하는) 제어 펄스를 생성했습니다. 이는 게이트가 99.99999% 이상의 확률로 정확하게 작동함을 의미합니다. 더 복잡한 이 큐비트 제어-NOT 게이트의 경우, 두 큐비트가 어떻게 연결되었는지에 따라 성능이 약간씩 달랐지만, 오차율은 약 3.39 × 10⁻⁷에서 4.96 × 10⁻⁶ 사이로 매우 낮은 수준을 유지했습니다. 이 수치들은 학습된 제어 펄스가 성공적인 계산을 위해 요구되는 정확한 상태로 양자 시스템을 유도하는 데 매우 효과적임을 나타냅니다.

연구진은 단순히 펄스를 찾는 것을 넘어, 이러한 신호가 다양한 조건 하에서 어떻게 작동하는지 조사했습니다. 그들은 학습된 제어 신호를 서로 다른 공간적 방향을 따라 작용하는 다양한 유형의 큐비트 간 상호작용에 대해 테스트했습니다. 그들은 제어 펄스의 구체적인 형태가 큐비트 간의 연결 유형에 크게 의존한다는 것을 발견했습니다. 예를 들어, 큐비트가 한 가지 특정 방식으로 상호작용할 때는 한 큐비트에는 강한 제어 신호가 필요하고 다른 쪽에는 매우 약한 신호가 필요했습니다. 또 다른 구성에서는 양쪽 큐비트에 균형 잡힌 신호가 필요했습니다. 이는 단일한 '만능(one-size-fits-all)' 제어 패턴은 존재하지 않으며, 최적의 신호는 사용되는 특정 물리적 하드웨어에 맞춰 맞춤 제작되어야 함을 시사합니다.

연구팀은 또한 이러한 완벽한 펄스가 노이즈와 에너지 손실이 불가피한 실제 환경에서 어떻게 견뎌낼지 검토했습니다. 그들은 양자 상태가 결맞음을 잃는 '디페이징(dephasing)'과 큐비트가 주변 환경으로 에너지를 잃는 '진폭 감쇠(amplitude damping)'의 영향을 시뮬레이션했습니다. 네트워크를 이러한 노이즈 조건에 맞춰 재학습시키지 않았음에도 불구하고, 이미 학습된 펄스들은 노이즈가 증가함에 따라 예측 가능하고 선형적인 성능 저하를 보였습니다. 이러한 동작은 이론적 기대와 일치했으며, 이 방법이 환경적 간섭에 직면했을 때 급격히 실패하는 것이 아니라 점진적으로 성능이 저하되는 견고한 제어를 생성한다는 것을 확인시켜 주었습니다.

마지막으로, 연구진은 이 기계들을 실제로 구축하게 될 엔지니어들의 실질적인 고민, 즉 이러한 복잡한 제어 신호를 어떻게 저장하고 전송할 것인가의 문제를 다루었습니다. 신경망은 단순한 형식으로 저장하기 어려운 매끄럽고 연속적인 곡선을 생성합니다. 이를 해결하기 위해 팀은 특정 유형의 다항식 전개를 사용하여 이 복잡한 파형을 압축된 수학적 표현으로 변환했습니다. 그들은 단 24개의 숫자만으로도 원래의 곡선과 단순화된 버전 사이의 차이가 무시할 수 있을 정도로 매우 높은 정확도로 각 제어 펄스를 설명할 수 있다는 것을 발견했습니다. 이 압축된 형식은 학습된 솔루션을 실제 양자 하드웨어로 전달하는 것을 훨씬 용이하게 만들어, 이론적 설계와 물리적 구현 사이의 간극을 메워줍니다.

이 연구는 물리 법칙을 머신 러닝에 직접 통합하는 것이 양자 제어를 위한 강력한 경로를 제공한다는 것을 보여줍니다. 다양한 시작 조건에 대해 훈련하고 독립적인 테스트를 통해 결과를 검증함으로써, 연구진은 이 방법이 모든 매개변수를 수동으로 조정할 필요 없이 고충실도(high-fidelity) 게이트를 생성할 수 있음을 입증했습니다. 비록 이러한 결과가 컴퓨터 시뮬레이션으로부터 나왔지만, 이는 미래의 양자 컴퓨터가 어떻게 프로그래밍될 수 있는지에 대한 명확한 청사진을 제공합니다. 매끄럽고 견고하며 압축 가능한 제어 펄스를 생성하는 능력은 양자 기계를 위한 '소프트웨어'를 설계하는 어려운 과제가 점점 더 관리 가능한 영역이 되고 있음을 시사하며, 더 신뢰할 수 있고 확장 가능한 양자 기술로 나아가는 길을 열어줍니다.