Variational Relevance-Informed Sparsification of Term Measurements for Variational Quantum Algorithms
이 논문은 변분 양자 알고리즘에서 측정 오버헤드를 크게 줄이기 위해 그래디언트 기여의 파라미터별 희소성을 활용하는 학습된 제어기를 소개하며, 물리적 표현을 작업별 목적 함수와 효과적으로 통합함으로써 유도되지 않은 대규모 언어 모델보다 우수한 성능을 입증한다.
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
유용한 양자 컴퓨터를 구축하려는 여정에서, 과학자들은 단순해 보이지만 매우 어려운 문제를 해결하기 위해 노력하고 있습니다. 그것은 바로 분자의 최저 에너지 상태를 찾는 방법입니다. 이것은 화학 반응을 이해하고, 신약을 설계하며, 더 나은 재료를 만드는 데 핵심적인 요소입니다. 이 작업을 위한 주요 도구는 변분 양자 고유값 솔버(variational quantum eigensolver)라고 불립니다. 이 도구는 양자 회로를 설정하고, 이를 실행한 뒤, 결과값을 측정하여 시스템이 목표 에너지에 얼마나 근접했는지 확인하는 방식으로 작동합니다. 만약 결과가 완벽하지 않다면, 컴퓨터는 설정을 조정하고 다시 시도합니다. 이 과정은 답을 찾을 때까지 수천 번 반복됩니다. 문제는 양자 컴퓨터가 취약하고 노이즈가 많다는 점이며, 따라서 단 한 번의 측정만으로는 충분하지 않다는 것입니다. 신뢰할 수 있는 답을 얻기 위해 연구자들은 동일한 실험을 수천 번 반복해야 하는데, 이 과정을 '샷(shots)'을 취한다고 합니다. 분자가 커지고 계산이 복잡해질수록 필요한 샷의 수는 폭발적으로 증가하며, 이는 종종 전체 과정을 늦추는 주요 병목 현상이 됩니다.
Visa의 연구진은 정확도를 잃지 않으면서 이를 가속화할 수 있는 새로운 방법을 개발했습니다. 그들은 모든 양자 측정 부분이 계산의 모든 단계에서 똑같이 중요한 것은 아니라는 사실을 발견했습니다. 일반적인 실행 과정에서 컴퓨터는 설정을 어떻게 조정할지 계산하기 위해 많은 서로 다른 양자 비트 그룹들을 측정합니다. 연구진은 특정 조정을 수행할 때, 이 그룹들 중 오직 작고 특정한 하위 집합만이 실제로 중요하다는 것을 발견했습니다. 나머지는 최종 결정에 거의 기여하지 않습니다. 이것은 마치 모든 거리, 골목, 진입로가 표시된 지도로 도시를 항해하는 것과 같습니다. 특정 여행을 위해서는 주요 도로만 알면 됩니다. 연구진은 각 회전마다 어떤 "도로"가 필수적인지 식별할 수 있다면, 나머지는 무시하고 엄청난 시간을 절약할 수 있다는 점을 깨달았습니다.
이를 실현하기 위해, 그들은 필요한 측정이 무엇인지 예측하도록 훈련된 일종의 인공지능인 스마트 컨트롤러를 구축했습니다. 매번 모든 것을 측정하는 대신, 이 컨트롤러는 현재 양자 회로의 상태와 수행 중인 특정 조정을 살펴봅니다. 그런 다음 어떤 측정 그룹을 유지하고 어떤 것을 건너뛸지 결정합니다. 이 시스템은 15가지의 서로 다른 분자 시뮬레이션에 대해 테스트되었습니다. 이 테스트에서 새로운 방법은 필요한 측정 횟수를 거의 절반 가까이 줄이는 데 성공했습니다. 구체적으로, 이 방법은 최종 에너지 계산을 원래의 전체 버전과 매우 유사하게 유지하면서도 필요한 샷의 수를 49.6% 줄였습니다. 최종 에너지 결과의 차이는 평균적으로 단 5.67 밀리하트리(millihartree, 화학에서 사용되는 에너지 단위)에 불과했습니다. 이는 컴퓨터가 약 절반의 시간 만에 동일한 수준의 화학적 정확도에 도달할 수 있음을 의미합니다.
연구진은 또한 대규모 언어 모델(LLM, 에세이를 쓰거나 질문에 답하는 것과 같은 강력한 AI 도구)이 별도의 특별한 훈련 없이 이 문제를 해결할 수 있는지 탐구했습니다. 그들은 일반 목적의 모델들에게 제공된 물리적 데이터를 바탕으로 중요한 측정이 무엇인지 골라내라고 요청했습니다. 결과는 엇갈렸습니다. 모델들이 때때로 유용한 그룹을 식별할 수는 있었지만, 일관성이 없었습니다. 특별한 안내 없이는, 모델들이 실제로 가장 중요한 물리적 정보를 우선순위에 두는 데 자주 실패했습니다. 양자 역학의 규칙과 문제의 구조에 따라 특별히 훈련된 맞춤형 컨트롤러는 훨씬 더 나은 성능을 보였습니다. 이 컨트롤러는 일반 모델들보다 가용한 단서들을 더 효과적으로 사용하는 법을 배웠습니다. 이는 복잡한 과학적 과업을 수행할 때, 단일한 전지전능한 AI에 의존하는 것보다 일반 모델의 유연성과 특정 분야의 규칙을 이해하는 전문화된 도구를 결합하는 것이 더 나은 접근 방식일 수 있음을 시사합니다.
또한 이 연구는 양자 회로가 더 깊어지거나 학습된 모델과 다른 분자가 등장하는 등 조건이 변할 때 이 방법이 얼마나 잘 작동하는지 살펴보았습니다. 컨트롤러는 학습한 적 없는 새로운 시나리오에 직면했을 때도 샷을 절약하는 능력을 유지하며 잘 버텨냈습니다. 이러한 견고함은 매우 중요한데, 실제 응용 사례는 학습 데이터와 똑같이 나타나는 경우가 거의 없기 때문입니다. 연구진은 이 방법이 속도와 정밀도 사이의 절충안을 찾도록 조정될 수 있다는 것을 발견했습니다. 단 하나의 설정을 조정함으로써, 약간 더 큰 오차 범위를 허용하는 대신 더 많은 샷을 절약하거나, 혹은 최대한 높은 정확도가 필요할 경우 더 많은 측정을 유지하도록 선택할 수 있었습니다. 이러한 유연성은 과학자들에게 비용과 품질 사이의 균형을 직접 제어할 수 있는 방법을 제공합니다.
궁극적으로, 이 작업은 현재의 양자 컴퓨팅 워크플로우의 특정 약점, 즉 안전을 위해 모든 것을 측정하려는 경향을 부각합니다. 이러한 측정의 상당 부분이 특정 단계에서는 중복된다는 것을 증명함으로써, 연구진은 훨씬 더 효율적인 양자 알고리즘을 향한 길을 열었습니다. 이 연구 결과는 양자 컴퓨팅의 미래가 더 큰 기계를 만드는 것보다 우리가 가진 기계를 더 똑똑하게 사용하는 방법에 달려 있을 수 있음을 시사합니다. 화학적 데이터의 품질을 희생하지 않으면서 측정 시간을 절반으로 줄일 수 있다는 것은, 신약 개발 및 재료 과학을 위한 이 알고리즘들의 실질적인 적용을 훨씬 더 실현 가능하게 만드는 중요한 진전입니다. 이 연구는 문제의 특정 구조를 이해하는 것이 일반적인 방법들이 놓치는 지능적인 지름길을 제공한다는 것을 확인시켜 주며, 물리 법칙을 이해하는 AI가 양자 컴퓨터를 정답으로 안내하는 미래를 향하고 있음을 보여줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.