Quantum Fourier integration of decay rates at next-to-leading order

입자 물리학이라는 거대하고 보이지 않는 풍경 속에서, 과학자들은 불안정한 입자가 더 가벼운 입자로 얼마나 빨리 붕괴하는지를 끊임없이 계산합니다. '붕괴율'로 알려진 이 계산은 우리 우주를 형성하는 근본적인 힘을 이해하는 데 필수적입니다. 이러한 비율을 높은 정밀도로 예측하기 위해, 물리학자들은 입자가 변형될 수 있는 무수히 많은 가능한 방식들을 모두 합산하는 복잡한 수학적 문제들을 풀어야 합니다. 수십 년 동안 이러한 계산은 강력한 고전 컴퓨터에 의존해 왔지만, 요구되는 정밀도가 높아짐에 따라 가장 진보된 슈퍼컴퓨터조차도 고군분투할 만큼 문제들이 매우 복잡해지고 있습니다. 최근, 급격히 발전하는 양자 컴퓨팅 분야의 도구들을 빌려온 새로운 접근 방식이 등장했습니다. 물리적 과정 전체를 직접 시뮬레이션하려고 시도하는 대신, 연구자들은 양자 기계가 이러한 까다로운 계산의 형태를 학습하고, 양자 역학의 독특한 특성을 활용하여 난제를 처리함으로써 완전히 다른 방식으로 문제를 해결할 수 있는지 탐구하고 있습니다.

데이비드 F. 렌테리아-에스트라다(David F. Rentería-Estrada)가 이끄는 연구팀은 두 가지 서로 다른 양자 기술을 결부터 사용하여 입자의 붕괴율을 높은 수준의 정밀도로 계산하는 방법을 테스트함으로써 이 방향으로 중요한 발걸음을 내디뎠습니다. 연구자는 무거운 입자가 가벼운 쿼크나 다른 입자로 붕괴하면서 때때로 추가적인 입자를 방출하는 세 가지 특정 시나리오에 집중했습니다. 물리학 용어로 이것들은 '차다음 차수(next-to-leading order)' 계산인데, 이는 정확도를 위해 필수적이지만 계산을 어렵게 만드는 미세한 2차 효과들을 포함하고 있음을 의미하며, 이 과정에는 주의 깊게 상쇄해야 하는 무한대들이 포함됩니다. 문제를 관리 가능한 수준으로 만들기 위해, 연구자는 먼저 '루프-트리 이중성(Loop-Tree Duality)'이라 불리는 수학적 프레임워크를 사용했습니다. 이 프레임워크는 필터처럼 작동하여, 가상 입자와 실제 방출물로부터 오는 무질서한 기여들을 하나의 매끄럽고 유한한 함수로 재구성함으로써, 계산을 망가뜨리는 일반적인 수학적 특이점 없이 연구할 수 있게 해줍니다.

이 깨끗하고 유한한 함수를 얻은 후, 연구자는 이를 양자 신경망에 입력했습니다. 양자 신경망을 복잡한 곡선의 형태를 모방하도록 학습할 수 있는 유연하고 프로그래밍 가능한 양자 비트 기반의 기계라고 생각하면 됩니다. 연구자는 이 네트워크가 붕괴율 함수의 패턴을 인식하도록 훈련시켰습니다. 이 연구의 핵심 통찰은 이러한 양자 회로가 마치 개별 음표들로 구성된 화음처럼, 결과물이 파동의 합처럼 보이도록 자연스럽게 생성한다는 점입니다. 네트워크를 훈련시킴으로써, 연구자는 붕해율을 특정 파동들의 조합으로 설명하도록 효과적으로 가르쳤습니다. 네트워크가 패턴을 학습하자, 연구자는 네트워크에 최종 답을 직접 계산하라고 요청하지 않았습니다. 대신, 네트워크가 학습한 파동들의 구체적인 가중치를 추출한 뒤, '반복적 양자 진폭 추정(Iterative Quantum Amplitude Estimation)'이라 불리는 별도의 양자 알고리즘을 사용하여 이 파동들의 아래 면적을 합산했습니다. 이 두 단계의 과정, 즉 형태를 학습하고 그 파동을 합산하는 것이 '양자 푸리에 반복적 진폭 추정(Quantum Fourier Iterative Amplitude Estimation)'이라 알려진 그들의 새로운 방법의 핵심입니다.

연구자는 완벽하고 노이즈가 없는 양자 시뮬레이터와 인터넷을 통해 접속 가능한 실제의 불완전한 양자 하드웨어를 모두 사용하여 이 접근 방식을 테스트했습니다. 시뮬레이터에서 계산을 실행했을 때, 결과는 알려진 이론적 예측과 매우 잘 일치했으며, 입자의 질량이 변화함에 따라 붕괴율이 어떻게 변하는지를 성공적으로 재현했습니다. 이는 이 방법이 원리적으로 작동함을 확인시켜 주었습니다. 그러나 실제의 불완전한 양자 하드웨어로 계산을 옮겼을 때, 결과는 더 노이즈가 많고 정밀도가 떨어졌습니다. 값들은 일반적으로 이론적 예측보다 낮았으며, 불확실성은 더 컸습니다. 이러한 차이는 현재의 양자 장치들이 여전히 섬세한 계산을 방해하는 오류와 노이즈에 취약하기 때문에 예상된 결과입니다. 연구자는 하드웨어 결과가 아직 완벽하지는 않지만, 전체 과정을 실제 기계에서 실행할 수 있었다는 사실 자체가 중대한 이정표라고 언급했습니다.

이 연구는 함수를 학습하는 양자 신경망과 이를 적분하는 양자 알고리즘을 사용하는 이 하이브리드 접근 방식이 고에너지 물리학을 위한 유망한 경로임을 결론짓습니다. 연구자는 양자 우위(quantum advantage)의 문제를 해결했다고 주장한 것이 아니라, 즉 이 방법이 현재 클래식 컴퓨터보다 빠르거나 더 낫다는 것을 증명한 것이 아닙니다. 대신, 양자 기계가 복잡한 물리적 적분 함수를 이해하도록 훈련될 수 있으며 필요한 적분 단계를 수행할 수 있다는 '개념 증명(proof of concept)'을 보여주었습니다. 이 작업은 최종 결과의 정확도가 신경망이 원래 함수를 얼마나 잘 근사하느냐와 적분 단계에서 양자 하드웨어가 얼마나 깨끗한 상태냐에 크게 달려 있음을 강조합니다. 현재의 하드웨어 한계로 인해 당장 실용적인 도구로 사용하기에는 어려움이 있지만, 이 실험은 미래의 응용 가능성을 향한 문을 열어주며, 양자 머신러닝이 결국 물리학자들이 오늘날 수행하는 단거리 고에너지 계산뿐만 아니라, 여전히 손이 닿지 않는 곳에 있는 복잡한 입자 상호작용의 장거리 문제들을 해결하는 데 도움을 줄 수 있음을 시사합니다.