Interpretable Quantum Photonic Generative Models

금융, 기상 예보, 그리고 복잡한 공학의 세계에서 흔히 발생하는 과제는 얼마나 많은 서로 다른 요소들이 함께 변화하는지를 이해하는 것입니다. 한 주식의 가격이 움직일 때, 다른 주식은 상승할까요, 아니면 하락할까요? 온도가 변할 때 습도는 어떻게 반응할까요? 과학자들은 이를 변수들의 '결합 분포(joint distribution)'를 학습하는 것이라고 부르며, 이는 수많은 움직이는 부품들 사이의 보이지 않는 연결망을 매핑하는 방법입니다. 이를 위해 연구자들은 종종 과거의 데이터로부터 학습하여 새롭고 현실적인 시나리오를 생성하는 컴퓨터 프로그램을 구축합니다. 그러나 이러한 프로그램들은 너무 복ang해져서 일종의 '블랙박스'처럼 작동할 수 있습니다. 즉, 답은 내놓지만 아무도 그 답이 어떻게 도출되었는지 쉽게 들여다볼 수 없게 되는 것입니다. 더욱이 변수의 수가 늘어남에 따라, 이러한 디지털 시뮬레이션은 엄청나게 느려지며, 단 하나의 새로운 사례를 만들어내는 데조차 막대한 컴퓨팅 파워를 요구하게 됩니다. 이로 인해 과학자들은 표준적인 컴퓨터보다 더 빠르게, 그리고 더 투명하게 데이터를 생성할 수 있도록 물리 법칙을 이용해 이 작업을 자연스럽게 수행할 수 있는 물리적 시스템을 찾기 시작했습니다.

셰필드 대학교의 연구팀은 빛을 사용하여 이 문제를 해결할 수 있는 새로운 방법을 제안했습니다. 복잡한 관계의 망을 시뮬레이션하기 위해 코드를 작성하는 대신, 그들은 광자(photons), 즉 빛의 기본 입자를 이용한 물리적 모델을 구축했습니다. 이 시스템은 금융 자산의 일일 가격 변동과 같은 실제 데이터에서 발견되는 통계적 패턴을 학습하고, 그 패턴을 모방하는 새로운 샘플을 생성하도록 설계되었습니다. 핵심 아이디어는 빛의 파동을 조작하여 상관관계를 만들어내는 특정 유형의 광학 회로를 사용하는 것입니다. 이 설정에서 연구자들은 빈 빛 채널에서 시작하여 '스퀴징(squeezing)'이라 불리는 과정을 통해 빛의 쌍들을 서로 연결함으로써, 그 움직임이 서로 의존하게 만듭니다. 그런 다음 거울과 빔 분할기(beam splitters)를 사용하여 이 파동들을 혼합하고, 연결을 전체 시스템으로 확산시킵니다. 마지막으로, 연구자들은 어떤 패턴이 나타나는지 확인하기 위해 빛을 측정합니다. 빛의 물리학은 이미 잘 알려져 있기 때문에, 연구자들은 기계의 각 부분이 최종 결과에 어떻게 기여하는지 정확하게 추적할 수 있으며, 이는 모델을 신비로운 블랙박스가 아닌 '해석 가능한(interpretable)' 모델로 만들어 줍니다.

연구진은 이 아이디어를 테스트하기 위해 금융 자산의 일일 수익률에서 발견되는 복잡한 관계를 재현하려고 시도했습니다. 그들은 두 가지 구체적인 과제를 선택했습니다. 하나는 주요 기술주, 금 펀드, 국채 펀드, 암호화폐를 포함한 5개의 서로 다른 자산으로 구성된 작은 그룹이었고, 다른 하나는 S&P 500 지수의 20개 서로 다른 주식으로 구성된 더 큰 그룹이었습니다. 목표는 빛 기반의 기계가 자산 간의 움직임이 얼마나 강하게 결합되어 있는지를 보여주는 지도인 '상관 계수 행렬(correlation matrix)'과 일치하도록 훈련시키는 것이었습니다. 5개 자산 테스트에서 연구팀은 광학 회로가 자산 간의 관계의 정확한 강도와 방향을 재현하도록 성공적으로 훈련시켰습니다. 실제 데이터와 모델 출력값 사이의 차이는 매우 작아서 거의 측정할 수 없는 수준이었으며, 오차는 소수점 다섯 번째 자리에서만 나타났습니다. 모델은 자산들이 함께 움직인다는 사실뿐만 아니라, 같은 방향으로 움직이는지 혹은 반대 방향으로 움직이는지도 정확히 식별해 냈습니다.

모델이 단순히 관계만을 맞추는 것이 아니라 데이터의 전반적인 형태까지 맞추는지 확인하기 위해, 연구진은 출력값에 간단한 수학적 조정을 적용했습니다. 이 단계는 라디오를 튜닝하여 가장 선명한 신호를 잡는 것처럼, 생성된 숫자의 평균값과 퍼짐 정도를 실제 데이터와 정렬시키는 과정입니다. 빛 기반 모델은 자연스럽게 표준적인 종 모양 곡선(bell curve) 형태의 데이터를 생성하지만, 실제 금융 데이터는 종종 '두꺼운 꼬리(heavier tails)'를 가집니다. 이는 극단적인 사건이 단순한 곡선이 예측하는 것보다 더 자주 발생함을 의미합니다. 연구진은 자신들의 모델이 핵심적인 연결 관계는 완벽하게 포착했지만, 시스템이 주로 선형적으로 설계되었기 때문에 이러한 극단적인 꼬리를 재현하는 데는 약간 어려움을 겪었다는 것을 발견했습니다. 그러나 대다수의 데이터에 대해서는 적합도가 매우 뛰어났습니다.

이어 연구팀은 20개 자산 테스트를 통해 시스템의 한계를 시험했습니다. 이를 위해서는 복잡성을 관리하기 위한 훨씬 더 많은 연결을 가진 더 큰 회로가 필요했습니다. 규모가 커졌음에도 불구하고 모델은 효과적으로 작동했습니다. 모델은 20개 주식의 상관 패턴을 성공적으로 재현했으며, 모든 가능한 쌍 중에서 약 94%에 대해 관계의 부호(양 또는 음)를 정확히 식별했습니다. 이러한 관계의 강도에서 나타난 오차 또한 매우 작았으며, 대다수가 유의미한 실수라고 간주될 만한 임계값보다 훨씬 낮은 수준이었습니다. 이는 이 접근 방식이 밑바탕에 깔린 구조를 학습하는 능력을 잃지 않으면서도, 현실적인 수의 변수를 처리할 수 있도록 확장 가능하다는 것을 입증했습니다.

이 연구의 핵심적인 부분은 기술적 난관을 해결하는 것이었습니다. 바로 시스템을 더 강력하게 만들지만 계산하기는 훨씬 어렵게 만드는 비선형 효과를 도입하는 '커 게이트(Kerr gate)'라는 특정 유형의 빛 상호작용을 시뮬레이션하는 문제였습니다. 표준적인 컴퓨터 시뮬레이션은 수학적 계산량이 엄청나게 많아지기 때문에 이 문제를 다루기 힘들어합니다. 연구진은 이 효과를 컴퓨터가 효율적으로 처리할 수 있는 더 단순한 선형 부분들의 합으로 분해하여 근사하는 새로운 방법을 개발했습니다. 이를 통해 슈퍼컴퓨터 없이도 모델이 더 복잡한 데이터 분포를 처리할 수 있는 잠재력을 테스트할 수 있었습니다. 연구진은 테스트한 약한 비선형성에 대해 이 방법이 잘 작동하며, 시뮬레이션 속도를 빠르게 유지하면서도 필수적인 물리학적 특성을 잘 포착한다는 것을 발견했습니다.

연구는 이 빛 기반의 접근 방식이 빠르고 이해하기 쉬운 데이터를 생성하는 유망한 경로를 제공한다고 결론짓습니다. 사용자가 복잡한 알고리즘을 믿어야만 하는 전통적인 컴퓨터 모델과 달리, 이 광자 시스템은 연구자가 상관관계가 어떻게 층층이 쌓이는지 직접 확인할 수 있게 해줍니다. 물리적 시스템의 특성 덕분에, 일단 훈련이 완료되면 초당 수십억 번의 사이클로 작동하는 빛 검출기의 속도에 의해서만 제한될 뿐, 새로운 샘플을 거의 즉각적으로 생성할 수 있습니다. 현재 버전은 표준적인 패턴을 따르는 데이터에 가장 적합하지만, 연구진은 향후 버전에서 비선형 구성 요소를 강화함으로써 시스템이 궁극적으로 더 복잡하고 예측 불가능한 현실 세계의 현상까지 모델링할 수 있을 것이라고 제안합니다. 이 연구는 광학의 법칙을 활용하여 데이터로부터 학습하고 새로운 통찰을 생성하는 새로운 플랫폼을 구축하며, 추상적인 통계 학습과 실질적인 물리적 과정 사이의 간극을 메우고 있습니다.