Science daily : 고전 컴퓨터로도 까다로운 양자 문제를 풀 수 있습니다.

[물리학자들이 고전적인 기계 학습 모델로 양자 물질에 대한 예측을 개선할 수 있음을 밝혀냈습니다]

양자 컴퓨터에 대한 많은 논란이 있었고 그럴만한 이유가 있습니다. 미래형 컴퓨터는 미시적 규모에서 자연에서 일어나는 일을 모방하도록 설계되었습니다. 

즉, 양자 영역을 더 잘 이해하고, 의약품이나 환경친화적인 화학 물질 같은 새로운 재료의 발견을 가속할 수 있는 능력이 있음을 의미합니다. 

그러나 전문가들은 실행 가능한 양자 컴퓨터가 아직 10년 이상 남았다고 말합니다. 그렇다면 그동안 연구자들은 무엇을 해야 할까요?

Science 저널에 발표된 Caltech 주도의 새로운 연구는 어떻게 고전 컴퓨터에서 실행되는 기계 학습 도구로 양자 시스템에 대한 예측을 수행하는지, 

그리고 그것이 가장 까다로운 물리학과 화학 문제를 해결하는 데 연구자들에게 어떻게 도움이 되는지 설명합니다. 

이 개념은 이전에 제안되었지만 새로운 발표는 이 방법이 전통적 알고리즘으로는 해결할 수 없는 문제에서 작동한다는 것을 수학적으로 처음으로 증명했습니다.

“양자 컴퓨터는 많은 유형의 물리학 및 재료 과학 문제에 이상적입니다.”라고 이 논문의 제1 저자인 Hsin-Yuan(Robert) Huang(John Preskill 밑에서 연구하는 대학원생. 참고로 존 프레스킬은 칼텍의 Richard P. Feynman 이론물리학 교수직과 양자 과학 기술 연구소(IQIM)의 Allen V.C. Davis 및 Lenabelle Davis 리더십 의장을 역임하고 있다.)은 말했습니다.

“하지만 우리는 아직 거기에 도달하지 못했으며 그동안 고전적인 기계 학습 방법을 사용할 수 있다는 사실에 놀랐습니다. 궁극적으로 이 논문은 인간이 물리적 세계에 대해 무엇을 배울 수 있는지를 보여주는 것입니다.”

미시적 수준에서 물리 세계는 양자 물리학 법칙이 지배하는 믿을 수 없을 정도로 복잡한 세상입니다. 이 영역에서 입자의 상태는 중첩되어 한 번에 두 가지 상태로 존재할 수 있습니다. 

그리고 상태의 중첩은 얽힘으로 이어질 수 있습니다. 

얽힘은 입자가 서로 접촉하지 않고 연결되거나 상관되는 현상입니다. 자연적이거나 인공적인 재료에서 널리 볼 수 있는 이러한 이상한 상태와 연결을 수학적으로 설명하기는 매우 어렵습니다.

“물질의 저에너지 상태를 예측하는 것은 매우 어렵습니다.”라고 Huang은 말합니다. “엄청난 수의 원자가 있으며 그것들은 중첩되고 얽혀 있습니다. 이 모든 것을 기술하는 방정식을 쓰는 것은 불가능합니다.”

새로운 연구는 고전적 기계 학습이 우리와 양자 세계 사이의 격차를 해소하는 데 사용될 수 있다는 최초의 수학적 시연입니다. 

머신 러닝은 데이터로부터 학습하기 위해 인간의 두뇌를 모방하는 일종의 컴퓨터 애플리케이션입니다.

Preskill은 말합니다. “우리는 양자 세계에 사는 고전적 존재입니다. 우리의 두뇌와 컴퓨터는 고전적이며 이는 양자 현실과 상호 작용하고 이해하는 우리의 능력을 제한합니다.”

 이전 연구에서도 기계 학습 모델이 일부 양자 문제를 해결할 수 있는 능력이 있음을 보여주었지만, 이 방법들은 일반적으로 연구자로 하여금 기계가 어떻게 솔루션에 도달했는지 알 수 없게 만드는 방식으로 작동합니다.

Huang은 “일반적으로 기계 학습의 경우 기계가 문제를 어떻게 해결했는지 알지 못합니다. 그것은 블랙박스입니다.”라고 말합니다. 

“하지만 이제 우리는 수학적 분석과 수치 해석을 통해 상자 안에서 본질적으로 무슨 일이 일어나고 있는지 알아냈습니다.” 

Huang과 그의 동료들은 Caltech의 양자 컴퓨팅을 위한 AWS 센터와 협력하여 광범위한 수치 시뮬레이션을 수행하여 이론적 결과를 확증했습니다.

새로운 연구는 과학자들이 양자 물질의 복잡하고 특이한 단계를 더 잘 이해하고 분류하는 데 도움이 될 것입니다. 

계속해서 Prekill은 설명합니다. “이제 우리는 무슨 일이 일어나고 있는지 설명하는 합리적인 고전적 데이터를 얻을 수 있습니다. 고전적 기계는 우리에게 신탁 같은 대답을 줄 뿐만 아니라 더 깊은 이해로 인도합니다.”

공동 저자이자 NIST(National Institute of Standards and Technology) 물리학자인 Victor V. Albert도 동의합니다.

“이 작업에서 저를 가장 흥분시키는 부분은 우리가 이제 양자 상태에 대해 사전에 많이 알 필요 없이 양자 상태의 기본 단계를 이해하는 데 도움이 되는 도구에 근접했다는 것입니다.”

물론 궁극적으로 미래의 양자 기반 기계 학습 도구는 고전적인 방법을 능가할 것이라고 과학자들은 말합니다. 

2022년 6월 10일 사이언스지에 게재된 관련 연구에서 Huang, Preskill 및 공동 작업자는 기초 양자 컴퓨터인 Google의 Sycamore 프로세서를 사용하여 양자 기계 학습이 고전적 접근 방식보다 우수함을 보여주고 있습니다.

“우리는 아직 이 분야의 시작 단계에 있습니다.”고 Huang은 말합니다. “하지만 우리는 양자 머신 러닝이 결국에는 가장 효율적이라는 것을 알고 있습니다.”

보다 자세한 내용은 아래 링크를 통해 확인해보세요! 

상세내용 확인 링크[출처]   

 - https://www.caltech.edu/about/news/classical-machine-learning-can-solve-tricky-quantum-problems

 - Hsin-Yuan Huang, Richard Kueng, Giacomo Torlai, Victor V. Albert, John Preskill. Provably efficient machine learning for quantum many-body problems. Science, 2022; 377 (6613) DOI: 10.1126/science.abk3333