← 최신 논문
⚛️ 양자물리학

Restoring quantum neural network trainability through reusable calibration

이 논문은 참조 회로의 단일 캘리브레이션을 재사용하여 관측량과 미분값에 대한 정규화된 추정치를 구축함으로써, 매 훈련 단계마다 반복적인 캘리브레이션을 요구하지 않고도 수렴성과 성능을 향상시켜 하드웨어 노이즈 환경에서 양자 신경망의 훈련 가능성을 높이는 구조 보존 오류 완화 프레임워크를 소개한다.

원저자: Ruizhe Shen, Xianquan Yan, Kenji Kawaguchi, Ching Hua Lee

게시일 2026-11-18
📖 4 분 읽기🧠 심층 분석

원저자: Ruizhe Shen, Xianquan Yan, Kenji Kawaguchi, Ching Hua Lee

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

데이터로부터 학습하는 기계를 구축하려는 탐구 과정에서, 과학자들은 고전 물리학의 법칙이 양자 세계의 기묘한 논리에 자리를 내주는 최전선을 탐험하고 있습니다. 이 노력의 중심에는 양자 신경망이 있는데, 이는 전자나 광자와 같은 입자를 조작하여 정보 속의 패턴을 찾아내도록 설계된 시스템입니다. 이 기계들은 단순히 숫자를 계산하는 것이 아니라, '관측 가능량(observables)'이라고 불리는 특정 양자 상태의 특성을 측정하고, 그 측정 결과에 따라 내부 설정을 조정함으로써 학습을 유도합니다. 그러나 오랫동안 이 진보를 가로막아 온 지속적인 장애물이 있었습니다. 바로 양자 시스템의 극도로 취약한 특성입니다. 현실 세계에서는 열, 진동, 또는 전자기적 잡음과 같은 환경으로부터 오는 아주 미세한 간섭조차도 기계가 학습하는 데 필요한 신호를 왜곡할 수 있습니다. 이러한 잡음은 마치 안개처럼 작용하여, 기계의 설정과 그로 인해 생성되는 결과 사이의 연결을 흐릿하게 만들며, 종종 시스템이 좋은 해답과 나쁜 해답을 구별하는 것을 불가능하게 만듭니다. 이 안개를 걷어낼 방법이 없다면, 양자 학습의 약속은 이론 속에 갇힌 채 현재 존재하는 불완전한 하드웨어 위에서는 신뢰성 있게 작동할 수 없게 됩니다.

싱가포르 국립대학교의 연구진은 이 잡음을 뚫고 나갈 실질적인 방법을 개발하여, 오늘날의 불완전한 장치에서도 양자 신경망이 효과적으로 학습할 수 있도록 했습니다. 그들의 접근 방식은 최종 결과를 읽어낼 때뿐만 아니라, 양자 회로 자체가 실행될 때 발생하는 특정 유형의 오류에 초점을 맞춥었습니다. 모든 미세한 오류 원인을 개별적으로 수정하거나 학습 과정의 매 단계마다 복잡하고 시간이 많이 소요되는 교정 작업을 수행하는 대신, 연구진은 단 한 번의 재사용 가능한 보정(calibration)에 의존하는 전략을 만들었습니다. 그들은 만약 특정 양자 회로 구조가 정보를 어떻게 왜곡하는지 지도화할 수 있다면, 그 지도를 학습 세션 전체에 걸쳐 데이터를 교정하는 데 적용할 수 있다는 점을 깨달았습니다.

연구진은 학습시키고자 하는 기계와 정확히 동일한 구조, 깊이, 연결성을 가진 참조 회로(reference circuit)를 구축했지만, 이 회로는 입력 데이터를 전혀 변경하지 않고 그대로 유지하는 단순한 작업을 수행하도록 프로그래밍되었습니다. 이 참조 회로를 다양한 시작 입력값과 함께 여러 번 실행함으로써, 그들은 하드웨어가 정보를 어떻게 뒤섞는지 정확히 측정했습니다. 이 과정은 잡음의 상세한 지도를 만들어냈으며, 연구진은 이를 사용하여 왜곡을 역전시킬 수 있는 수학적 도구를 구축했습니다. 결정적으로, 이 도구는 재사용 가능하도록 설계되었습니다. 지도가 일단 생성되면, 기계가 내부 설정을 조정하더라도 다시 계산하거나 재측정할 필요 없이, 실제 학습 회로가 새로운 데이터를 처리할 때마다 매번 적용할 수 있었습니다. 이는 매 단계마다 시스템을 재보정하거나 학습 과정을 늦추는 값비싼 추가 테스트를 실행해야 했던 기존 방식과는 크게 다른 점입니다.

아이디어를 테스트하기 위해, 연구진은 먼저 노이즈가 있는 양자 하드웨어의 동작을 모사한 컴퓨터를 통해 광범위한 시뮬레이션을 수행했습니다. 그들은 기계가 데이터를 서로 다른 범주로 분류해야 하는 분류 과제를 설정했는데, 이는 학습 알고리즘의 일반적인 테스트입니다. 이 시뮬레이션에서 보정되지 않은 노이즈가 섞인 기계는 학습 곡선이 평탄해지며 어려움을 겪었는데, 이는 잡음이 추적해야 할 신호를 억제했기 때문입니다. 반면, 재사용 가능한 보정을 사용한 기계는 훨씬 더 빠르게 학습했으며, 그 성능은 이상적인 무결점 시스템과 매우 유사했습니다. 연구진은 보정을 통해 학습 경관(learning landscape)의 선명도가 회복되어, 기계가 좋은 설정과 나쁜 설정의 차이를 명확하게 식별할 수 있게 되는 것을 관찰했습니다. 이러한 명확성은 더 높은 정확도의 결과로 수렴할 수 있는 더 가파르고 직접적인 경로로 이어졌으며, 이를 통해 시스템은 보정되지 않은 버전보다 훨씬 적은 단계만으로도 높은 정확도의 결과에 도달할 수 있었습니다.

연구진은 이 방법을 실제 세계로 가져가 IBM에서 제공한 실제 양자 프로세서에서 테스트했습니다. 이곳에서는 도전 과제가 더 즉각적이었고 잡음은 더 예측 불가능했습니다. 그들은 하드웨어가 특정 오류 값을 최소화하도록 설정을 조정하도록 요청하는 단순화된 최적화 루프를 실행했습니다. 이러한 실제 환경에서도 보정은 효과적이었습니다. 보정된 시스템은 보정되지 않은 시스템보다 현저히 낮은 오류 값에 도달했으며, 이는 해당 방법이 물리적 하드웨어의 혹독한 환경에서도 생존할 수 있음을 입증했습니다. 결과는 기계가 하드웨어 잡음에도 불구하고 학습 능력을 유지할 수 있음을 보여주었으며, 이 전략이 단순한 이론적 연습이 아니라 실질적인 사용을 위한 실행 가능한 도구임을 확인시켜 주었습니다.

이 연구의 가장 놀라운 측면은 아마도 그 확장성일 것입니다. 연구진은 각 채널이 4개의 큐비트를 포함하는 25개의 독립적인 채널로 구성된, 총 100개의 큐비트로 이루어진 모듈형 양자 네트워크를 구축했습니다. 전통적인 방식에서는 기계의 모든 부분에 대해 고유한 보정이 필요할 것으로 예상되기에, 이처럼 큰 시스템을 보정하려면 엄청난 시간과 자원이 필요했을 것입니다. 그러나 각 채널이 동일한 기본 구조와 잡음 특성을 공유하기 때문에, 연구진은 하나의 작은 블록에 대해 만든 단일 보정 지도를 25개 채널 전체에 사용할 수 있었습니다. 이러한 재사용 덕분에 연구진은 보정 비용을 증가시키지 않고도 100개 큐비트 전체 시스템의 특징을 교정할 수 있었습니다. 그 결과, 보정되지 않은 버전에 비해 성능이 현저히 향상되었으며, 잡음으로 인해 손실된 정확성의 상당 부분을 회복했습니다.

이러한 발견은 양자 머신러닝이 나아가야 할 길이 반드시 완벽하고 오류가 없는 하드웨어를 기다리는 것만을 의미하지 않는다는 점을 시사합니다. 대신, 현재의 장치들이 정보를 왜곡하는 구체적인 방식을 이해하고 지도화함으로써, 연구자들은 이러한 오류를 효율적이고 반복적으로 교정할 수 있는 도구를 구축할 수 있습니다. 본 연구는 회로의 구조를 보정 과정 중에 보존하는 것이 기계가 학습하고 변화함에 따라 유지되는 안정적인 교정을 가능하게 한다는 것을 보여줍니다. 이 접근 방식은 현재의 노이즈가 섞인 불완전한 기계를 끊임없이 막대한 자원을 투입하는 재보정 없이도 유능한 학습자로 변화시킴으로써, 오늘날 양자 학습의 성능을 개선할 수 있는 실질적인 방법을 제시합니다. 이 연구는 적절한 보정 방식이 있다면, 잡음이라는 안개를 걷어내고 양자 컴퓨터가 진정으로 학습하는 데 필요한 명확한 신호를 드러낼 수 있음을 확립했습니다.

연구 분야의 논문에 파묻히고 계신가요?

연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.

Digest 사용해 보기 →