Resource map of quantum reservoir computing against tuned classical baselines

데이터로부터 학습하는 기계를 구축하기 위한 경쟁 속에서, 과학자들은 오랫동안 뇌의 구조에서 영감을 얻기 위해 노력해 왔습니다. '리저버 컴퓨팅(reservoir computing)'이라 알려진 하나의 강력한 접근 방식은 복잡한 시스템을 프로그래밍되어야 할 빈 도화지가 아니라, 고정되고 혼돈스러운 풍경으로 취급합니다. 연못에 돌을 던지는 모습을 상상해 보십시오. 퍼져 나가는 물결은 물의 자연스러운 역학에 의해 만들어진 독특하고 복잡한 패턴입니다. 이 컴퓨팅 모델에서 '연못'은 스핀 네트워크나 빛의 파동과 같은 물리적 시스템이며, 입력 신호를 받아 풍부하고 고차원적인 물결 패턴을 만들어냅니다. 기계는 이러한 물결을 만드는 법을 배울 필요가 없습니다. 단지 문제를 해결하기 위해 그 물결을 읽는 법만을 배우면 됩니다. 이 방법이 매력적인 이유는 복잡한 '연못'을 훈련시키는 것은 느리고 에너지가 많이 드는 반면, 물결를 읽는 것은 빠르고 저렴하기 때문입니다. 최근 연구자들은 입자가 동시에 여러 상태로 존재할 수 있는 기묘한 아원자 세계인 양자 시스템이 이러한 연못의 역할을 할 수 있을지 의문을 제기해 왔습니다. 양자 시스템은 입자를 추가함에 따라 패턴이 기하급수적으로 커질 수 있기 때문에, 작은 양자 장치는 이론적으로 거대한 고전 컴퓨터의 복잡성을 보유하여 어려운 문제들을 해결하는 지름길을 제공할 수 있습니다.

도쿄 양자 통합 연구소의 와쿠라 히카루(Hikaru Wakaura)가 수행한 새로운 연구는 이 양자 우위가 존재한다면 정확히 어디에 위치하는지를 지도화하는 데 목적을 두고 있습니다. 연구자는 단순히 하나의 양자 기계를 하나의 고전 기계와 비교한 것이 아니라, 수천 가지 시나리오를 아우르는 방대하고 상세한 지도를 구축했습니다. 그는 스핀 원자 사슬부터 공동(cavity) 내의 빛의 파동에 이르기까지 57가지 유형의 양자 리저버를 시뮬레이션했으며, 이를 날씨 패턴 예측부터 복잡한 신호 분석에 이르기까지 49가지의 서로 다른 과업에 대해 테스트했습니다. 결정적으로, 그는 이러한 양자 시스템을 각 특정 작업에 맞춰 정밀하게 조정되고 최적화된 세 가지 계열의 고전 기계들과 맞붙였습니다. 또한 이 연구는 신뢰할 수 있는 결과를 얻기 위해 측정을 몇 번 반복해야 하는지를 포함하여, 실험을 실행하는 데 드는 실제 비용을 고려했는데, 이는 이론적 주장에서는 흔히 무시되는 요소입니다. 목표는 어떤 양자 설정이 정확도와 실행에 필요한 자원 측면 모두에서 가능한 최고의 고전 버전을 이길 수 있는지 확인하는 것이었습니다.

이 광범ended한 조사 결과는 놀라울 정도로 명확했습니다. 표준 데이터를 다루는 거의 모든 과업에서 양자 리저버는 승리하지 못했습니다. 고전 기계들에 동일한 조정 및 최적화 기회를 주었을 때, 고전 기계들은 일관되게 양자 시스템보다 뛰어난 성능을 보였습니다. 실제로 거의 천 번의 서로 다른 비교를 통해, 양자 모델의 오차율은 최상의 고전 모델보다 일반적으로 수백 배 더 높았습니다. 양자 시스템이 더 적은 자원을 사용했을 때조차, 그것들은 유용할 만큼 정확하지 않았습니다. 연구는 두 입자를 동시에 측정하는 능력이나 특정 유형의 노이즈의 존재와 같은 특정 양자 특성들이 양자 성능을 약간 향상시키기는 했지만, 그 격차를 좁히기에는 역부족이었다는 것을 발견했습니다. 특수한 공동 내의 빛의 파동을 포함하는 한 가지 특정 양자 설정은, 두 시스템이 정확히 동일한 설정을 사용했을 때 단순화된 고전 버전을 능가하는 성능을 보였습니다. 그러나 고전 버전이 최상의 성능을 찾기 위해 설정을 조정할 수 있게 되자, 고전 버전이 양자 버전을 큰 차이로 앞질렀습니다. 양자 시스템이 진정으로 탁월한 성과를 보인 유일한 때는 입력 데이터 자체가 근본적으로 다를 때였습니다.

돌파구는 입력값이 '블랙박스' 오라클(oracle)—내부의 구조나 패턴은 드러내지 않으면서 답만 제공하는 정보원—일 때만 발생했습니다. 이러한 특정 테스트에서 양자 시스템은 두 개의 숨겨진 함수 사이의 관계를 탐지하는 역할을 했습니다. 함수들이 매 단계마다 완전히 새롭고 무작위적이어서 고전 컴퓨터가 그 규칙을 학습할 방법이 없을 때, 양자 시스템이 결정적으로 승리했습니다. 양자 시스템은 고전적인 방법이 관리할 수 있는 것보다 훨씬 적은 쿼리로 문제를 해결했습니다. 그러나 연구자들이 입력에 고정된 구조, 예를 들어 알려진 수학적 규칙이나 시간에 따라 학습 가능한 패턴을 도입하는 순간, 양자 우위는 사라졌습니다. 고전 알고리즘은 문제를 즉각적으로 해결할 수 있는 지름길을 찾아냈고, 이로 인해 양자 기계의 복잡한 역학은 불필요해졌습니다. 연구는 양자 리저버 컴퓨팅의 힘이 기계 자체의 복잡성에서 오는 것이 아니라, 그것이 받는 정보의 성격에서 온다는 결론을 내렸습니다. 만약 데이터에 고전 컴퓨터가 학습할 수 있는 숨겨진 구조가 있다면, 양자 기계는 아무런 이점이 없습니다. 이 기술의 진정한 잠재력은 입력이 알려진 고전적 규칙에 의해 설명되거나 예측될 수 없는, 순수하게 미스터리한 과정의 새로운 사례일 때만 존재합니다.

이 발견은 이 분야가 나아갈 길을 재편합니다. 이는 더 나은 양자 리저버를 구축하려는 노력이 기계를 더 복잡하거나 시뮬레이션하기 어렵게 만드는 데 집중할 것이 아니라, 데이터가 진정으로 불투명하고 구조화되지 않은 실제 세계의 문제를 식별하는 데 집중해야 함을 시사합니다. 이 연구는 기존의 초전도 회로를 사용하여 이러한 실험을 어떻게 구축할 수 있는지에 대한 구체적인 로드맵을 제공하며, 공정의 단일 단계가 약 16나노초가 걸릴 것으로 추정했습니다. 또한 이 연구는 실세계에서 이러한 실험을 실행하는 데 드는 막대한 비용을 강조하며, 신뢰할 수 있는 데이터를 수집하기 위해 전체 과업에 수 시간이 연속적으로 소요될 수 있음을 언급했습니다. 이 연구는 과장된 홍보와 현실을 구분함으로써, 양자 리서버 컴퓨팅이 모든 머신 러닝을 위한 보편적인 업그레이드가 아니라, 매우 특정한 종류의 문제, 즉 답이 고전 컴퓨터가 결코 볼 수 없는 방식으로 숨겨져 있는 문제를 위한 특화된 도구임을 명확히 했습니다.