Co-Design of a Quantum Circuit using QGHNN for High Separate Fidelity and Maximum Grover Algorithm Accuracy
본 논문은 양자 그래프 해밀토니안 신경망(QGHNN)을 활용하여 초전도 양자 회로를 공동 설계함으로써 99.4% 이상의 판독 분리 충실도와 IBM의 Q5 Tenerife 프로세서와 대등한 약 86%의 그로버 알고리즘 정확도를 달성하는 하이브리드 물리-기계 학습 프레임워크를 제시한다.
원본 논문은 CC BY 4.0 (https://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
양자 컴퓨터는 일반적인 기계가 끝내는 데 수천 년이 걸릴 문제를 해결할 것을 약속하지만, 이를 구축하는 것은 마치 허리케인 속에서 카드 집의 균형을 잡으려는 것과 같습니다. 이 기계들은 큐비트라고 불리는 섬세한 정보 단위에 의존하는데, 큐비트는 동시에 여러 상태로 존재할 수 있어 많은 가능성을 동시에 탐색할 수 있게 해줍니다. 그러나 이 섬세한 상태는 소음, 열, 또는 너무 자세히 들여다보는 행위만으로도 쉽게 무너질 수 있습니다. 양자 컴퓨터를 유용하게 만들기 위해 엔지니어들은 큐比特이 계산을 수행할 수 있을 만큼 충분히 오랫동안 안정적으로 유지되도록 회로를 설계해야 하며, 동시에 정보가 사라지기 전에 결과를 명확하게 읽어낼 수 있어야 합니다. 문제는 큐비트를 읽기 쉽게 만드는 설정이 계산을 어렵게 만들기도 하고, 계산을 잘 수행하도록 돕는 설정이 최종 답변을 흐릿하게 만들 수도 있다는 점입니다. 적절한 균형을 찾는 것은 한 부분의 성능을 개선하면 종종 다른 부분이 저하되는 지형을 항해하는 것과 같습니다.
새로운 연구에서 이란 양자 기술 연구 센터와 협력 기관의 연구진은 초전도 회로로 구축된 특정 유형의 양자 컴퓨터를 위한 이 균형 잡기 문제를 해결하는 방법을 개발했습니다. 그들은 물리학 법칙과 특수한 형태의 인공지능을 결합한 하이브리드 프레임워크를 만들어 이전의 시도들보다 더 나은 성능을 보이는 2-큐비트 시스템을 설계했습니다. 연구진은 하드웨어 설계와 알고리즘 성능을 별개의 문제로 취급하는 대신, 데이터로부터 학습하도록 설계된 컴퓨터 프로그램인 신경망을 사용하여 측정 정확도와 계산 성공률이 모두 극대화되는 완벽한 작동 지점을 찾아냈습니다. 그들의 작업은 장치의 기초적인 물리학을 바탕으로 이 시스템을 훈련함으로써, 기계가 높은 정밀도로 자신의 상태를 읽는 동시에 유명한 탐색 알고리즘을 놀라운 성공률로 실행할 수 있는 최적의 지점을 식별할 수 있음을 보여주었습니다.
연구진은 두 개의 초전도 큐비트가 그들의 상호작용을 위한 다리 역할을 하는 공유 공진기(resonator)를 통해 연결된 설정을 중심으로 연구했습니다. 이 환경에서 큐비트는 개방형 시스템이 시간에 따라 어떻게 진화하는지를 설명하는 방정식으로 모델링되는 지속적인 소음과 에너지 손실에 노출됩니다. 연구진은 큐비트의 주파수와 브리지와의 연결 강도와 같은 여러 물리적 변수를 조정하여, 큐비트 상태의 판독을 최대한 명확하게 만드는 것과 그로버(Grover) 탐색 알고리즘(대규모 목록에서 특정 항목을 찾는 방법)이 올바르게 작동하도록 하는 두 가지 목표를 동시에 달성해야 했습니다. 어려움은 이 두 목표가 종종 서로 반대 방향으로 끌어당긴다는 점에 있습니다. 시스템을 계산에 더 정확하도록 밀어붙이면 판독 신호가 흐려질 수 있고, 그 반대의 경우도 마찬가지입니다.
이러한 갈등을 헤쳐 나가기 위해 연구진은 양자 그래프 해밀토니안 신경망(Quantum Graph Hamiltonian Neural Network)이라는 도구를 사용했습니다. 데이터를 블랙박스로 취급하는 표준 컴퓨터 프로그램과 달리, 이 네트워크는 큐비트와 그 연결을 상호작용하는 부분들의 지도로 취급하며 물리적 시스템의 구조를 이해하도록 구축되었습니다. 연구진은 수천 가지의 서로 다른 물리적 조건 하에서 양자 시스템의 동작을 시뮬레이션하여, 각 변화가 판독 품질과 알고리즘 성공에 어떤 영향을 미치는지 기록함으로써 방대한 데이터 세트를 생성했습니다. 그런 다음 신경망이 물리적 설정과 최종 결과 사이의 복잡하고 비선형적인 관계를 학습하도록 훈련시켰습니다. 일단 신경망이 이 지도를 학습하고 나면, 매번 느리고 무거운 시뮬레이션을 실행할 필요 없이 새로운 설정에 대한 결과를 즉각적으로 예측할 수 있었습니다. 이를 통해 연구진은 수학적 탐색 방법을 사용하여 가능성의 언덕을 올라가 두 성능 지표가 모두 높은 정점에 도달할 수 있었습니다.
이러한 공동 설계(co-design) 접근 방식의 결과는 놀라웠습니다. 최적화 전에는 시스템이 큐비트의 서로 다른 상태를 명확히 구분했으나 여전히 오류를 유발할 수 있는 중첩이 존재했습니다. 신경망의 조율을 거친 후에는 구분이 더 뚜렷해졌으며, 측정 충실도(fidelity)가 99.4퍼센트를 초 exceeded했습니다. 이것이 수치상으로는 작은 상승처럼 보일 수 있지만, 양자 컴퓨팅의 세계에서 이러한 소수점 단위의 차이는 잘못된 답을 낼 확률을 대폭 줄이는 것을 의미합니다. 더 중요한 것은 알고리즘 성능의 극적인 도약입니다. 초기 하드웨어 설정에 의해 제한되었던 그로버 탐색 알고리즘의 성공 확률은 약 86퍼센트로 상승했습니다. 이 수준의 정확도는 현재 확립된 상업용 양자 프로세서들이 달성하고 있는 수준과 맞먹으며, 이는 새로운 설계가 실제 응应用에 적합함을 시사합니다.
또한 이 연구는 엔지니어가 관리해야 할 근본적인 트레이드오프(trade-off)를 밝혀냈습니다. 연구진이 탐색 알고리즘만을 위해 시스템을 최적화했을 때, 빠른 계산에 필요한 강한 상호작용이 큐비트가 고전 물리학을 거스르는 방식으로 연결되는 자원인 '얽힘(entanglement)'에 필요한 섬세한 양자 연결을 억제하는 경향이 있음을 발견했습니다. 신경망은 높은 알고리즘 성능을 제공하면서도 이러한 양자 연결을 충분히 보존하는 중간 지점을 성공적으로 찾아냈습니다. 연구진은 자신들의 발견이 단지 이론에 그치지 않음을 증명하기 위해, 최적화된 파라미터를 사용하여 전문 엔지니어링 소프트웨어로 물리적 회로 레이아웃을 설계했습니다. 그 후 이 설계에 대해 전자기 시뮬레이션을 실행하여, 인공지능이 생성한 수치가 실제로 제작 가능한 기능적 하드웨어 구성으로 직결됨을 확인했습니다.
이 작업은 양자 컴퓨터를 구축하는 방식의 변화를 강조합니다. 하드웨어를 먼저 설계한 다음 소프트웨어가 그것에 맞춰 작동하도록 만들거나, 소프트웨어를 최적화한 뒤 하드웨어가 이를 따라잡기를 바라는 것이 아니라, 이 접근 방식은 둘을 함께 설계합니다. 물리학 법칙을 존중하는 머신러닝 모델을 사용함으로써, 연구진은 여러 가지 상충하는 요구 사항을 동시에 만족시키는 작동 지점을 찾는 것이 가능하다는 것을 보여주었습니다. 이 연구는 불완전하고 노이즈가 많은 세상에서도 정교한 공동 설계가 양자 회로에서 높은 성능을 끌어낼 수 있음을 확인시켜 주며, 더 신뢰할 수 있고 강력한 미래형 기계로 가는 길을 열어줍니다. 최적화된 설정을 와이어의 길이 나 커패시터의 크기와 같은 물리적 치수로 직접 변환할 수 있는 능력은, 컴퓨터 시뮬레이션에서 실제 작동하는 칩으로 가는 경로가 점점 더 짧고 직접적으로 변하고 있음을 의미합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.