양자 우주를 이해하는 것은 쉬운 일이 아닙니다. 공간과 시간에 대한 직관적인 개념은 아원자 물리학의 작은 영역에서 무너져 우리의 거시적 감각으로는 완전히 이상해 보이는 행동을 허용합니다.

양자 컴퓨터 우리가 이 이상한 점을 활용할 수 있도록 해야 합니다. 이러한 기계는 이론적으로 분자 상호작용을 탐색하여 신약을 만들고 재료. 그러나 아마도 가장 중요한 것은 세계 자체가 이 양자 우주를 기반으로 구축되어 있다는 것입니다. 그것이 어떻게 작동하는지 이해하려면 아마도 양자 도구가 필요할 것입니다.

그러나 현재 단기 양자소자 많은 수의 양자 상호작용을 안정적으로 실행할 수 없기 때문에 아직 그 약속을 이행하는 데는 거리가 멀습니다. 연구자들이 이 문제를 극복할 수 있을 때까지는 기존 컴퓨터가 실제 문제를 해결하는 가장 좋은 방법으로 남아 있지만 비효율적입니다.

하지만 일종의 양자 타협 같은 해결 방법이 있을 수도 있습니다. 최근 다수의 논문에서는 이해하고 싶은 양자 시스템을 선택하여 해당 속성을 기존 기계에 입력하고 해당 기계를 사용하여 양자 시스템의 동작을 예측하는 것이 가능할 수 있음을 시사합니다. 연구원들은 양자 시스템을 모델링하는 새로운 방법과 점점 더 정교해지는 기계 학습 알고리즘을 결합함으로써 설립하다 고전 기계가 양자 행동을 모델링하고 예측하는 방법입니다.

“나는 이 작업이 매우 중요하다고 생각한다”고 말했다. 유 이좡, 샌디에이고 캘리포니아 대학의 물리학자이며 해당 연구와 관련이 없습니다. "양자 계산과 기계 학습을 결합하는 올바른 방법이라는 점에서 분야를 근본적으로 변화시킵니다."

우리가 그림자로부터 배우는 것

연구원들은 노력 적어도 1989년부터 양자 상태를 예측하기 위해 고전 컴퓨터를 사용하기 시작했습니다. 일반적으로 양자 시스템은 다음과 같습니다. n 큐비트(비트의 양자 등가물)는 2의 고전적인 배열로 표현될 수 있습니다.ⁿ 숫자. 이 배열의 크기는 큐비트 수에 따라 기하급수적으로 증가합니다. 즉, 필요한 컴퓨팅 성능이 빠르게 엄청나게 커집니다.

2017년 말, 컴퓨터 과학자 스콧 론슨 추천 양자 시스템의 완전한 고전적 표현을 알 필요는 없습니다. 대신, 주어진 양자 상태에 대해 학습하고 표현의 하위 집합만 사용하여 해당 속성을 예측할 수 있습니다.

그러다가 2020년에 물리학자들은 신 위안(로버트) 황 과 리처드 쿠엥 Aaronson의 방법에 대한 실용적인 접근 방식을 개척했습니다. 그들의 기술을 통해 그들은 고전적인 방법을 사용한 극소수의 측정을 통해 시스템의 양자 상태의 많은 특성을 예측할 수 있었습니다. 프로세스에는 "클래식 섀도우” 이러한 측정에서: 실제 그림자와 유사한 양자 시스템의 간결하고 고전적인 표현으로, 이를 캐스팅하는 물체에 대한 많은 정보(모두는 아님)를 전달합니다.

"시야를 낮추고 특정 양자 관측 가능 항목만 예측하려고 노력해야 합니다."라고 말했습니다. 존 프리 스킬, 이 프로젝트에서 Huang 및 Kueng과 함께 작업한 California Institute of Technology의 이론 물리학자입니다.

이 모델을 사용하면 시스템의 특정 수의 속성을 예측하려면 충분한 측정값, 특히 속성 수의 로그로 확장되는 측정값이 필요합니다. “로버트의 아이디어는 훌륭하다”고 말했다. 첸시에, Caltech의 Preskill 동료로 이번 연구와 관련이 없습니다. "이것은 무작위 샘플링을 통해 시스템을 학습하는 데 큰 이점을 제공할 것입니다."

이 접근 방식은 이미 어느 정도 성공을 거두었습니다. 과학자들은 이미 이러한 고전적인 그림자를 사용하여 다음을 수행했습니다. 가장 큰 시뮬레이션 시끄럽고 오류가 발생하기 쉬운 양자 컴퓨터와 함께 고전적인 알고리즘을 사용하여 다이아몬드 결정의 원자가 경험하는 힘을 연구하는 양자 화학의 한 분야입니다.

하지만 아마도 그 이상을 할 수도 있을 것입니다. Huang과 다른 사람들은 결정처럼 하나의 정적인 순간뿐만 아니라 시간이 지남에 따라 변화하는 양자 시스템을 연구하고 싶었습니다. 이를 통해 연구자들은 훨씬 더 많은 데이터를 처리하는 대신 이러한 시스템이 어떻게 작동하는지에 대한 더 많은 통찰력을 얻을 수 있습니다. 운 좋게도 이때쯤에는 이러한 작업을 위한 또 다른 도구인 머신러닝이 인기를 얻었습니다.

모델 훈련

지난 몇 년 동안 고전적인 기계 학습 모델은 자동화된 예측을 개선하는 데 혁신적인 발전을 이루었습니다. 그러나 연구자들이 양자 문제를 해결하기 위해 이를 사용하려고 시도했을 때 모델이 종종 문제를 해결했지만 정확성이 보장되지는 않았다고 Preskill은 말했습니다. 기계 학습은 일반적으로 시행착오를 통해 진행되므로 유용한 정보를 얻으려면 올바른 종류의 데이터와 많은 양의 데이터가 필요합니다.

A 종이 Google Quantum AI의 Huang과 공동 작업자는 이러한 직관을 강조했습니다. 충분한 양자 데이터로 훈련된 기존 기계 학습 알고리즘은 양자 시스템을 모델링할 만큼 계산적으로 강력할 수 있습니다.

하지만 여전히 문제가 있었습니다. 이러한 기계 학습 모델은 여전히 ​​근본적으로 고전적이었습니다. 즉, 진정한 양자 데이터를 처리하고 양자 상태를 출력하는 것이 불가능하다는 의미입니다. 이 문제를 해결하기 위해 Huang과 동료들은 과학 작년에 고전 그림자를 사용하여 양자 정보를 고전 데이터로 변환하는 방법에 대한 논문을 발표했습니다. 그런 다음 기계 학습 모델을 훈련하여 새로운 양자 시스템의 속성을 예측할 수 있습니다.

"그들이 만들어내는 이점은 [양자] 입력과 [양자] 출력 사이의 양자 지도입니다. 둘 다 고전적인 그림자입니다. 전체 양자 상태로 폭발하면 결코 성공할 수 없기 때문입니다."라고 말했습니다. 재러드 맥클린, Google Quantum AI의 컴퓨터 과학자입니다.

정확한 예측을 달성하기 위해 모델에는 다항식 데이터 포인트만 필요했기 때문에 이는 실제로 가능한 것처럼 보였습니다. 불행히도 여전히 이상적이지는 않았습니다. Huang은 “다항식은 매우 컸습니다.”라고 말했습니다. 기본적으로 그 정도의 훈련 데이터를 얻는 것은 지금까지 너무 어려웠습니다.

마지막 퍼즐 조각이 나왔습니다. 작업장 올해 XNUMX월 버클리 캘리포니아 대학의 사이먼스 컴퓨팅 이론 연구소에서. 거기에는 Preskill 그룹의 학부생이 있었습니다. 로라 루이스 장애물을 피하는 방법을 보여주었습니다.

이전 모델은 연구 중인 양자 시스템의 기하학에 대해 불가지론적이었지만 루이스의 연구는 그렇지 않았습니다. 그녀의 알고리즘은 시스템의 모든 큐비트 조합 간의 상호 작용을 추적하는 대신 서로 옆에 위치한 큐비트 간의 로컬 상호 작용에 중점을 두었습니다. 이 접근 방식은 이제 양자 시스템의 특성을 정확하게 예측하기 위해 더 적은 양의 훈련 데이터(큐비트 수의 로그 함수)가 필요하여 마침내 실제로 실현 가능해졌습니다.

그림자 너머

이러한 모델을 통해 연구자들은 점점 더 복잡해지는 양자 시스템의 구성과 동작을 탐색할 수 있습니다. 그러나 루이스의 결과는 이 연구 자체를 개선하는 데 도움이 될 수도 있습니다. 이제 우리는 다른 양자 시스템에 대한 미래 예측을 위한 스케일링 요구 사항을 줄이는 방법을 이해하는 더 나은 방법을 갖게 되었습니다.

Lewis의 작업은 "신뢰할 수 있는 예측을 만들기 위해 물리적 시스템에서 얼마나 많은 데이터를 수집해야 하는지"를 보여줍니다.라고 McClean은 말했습니다.

한편 황은 더 많은 것을 탐구했다. 그는 고전적인 그림자와 기계 학습에 대한 연구를 바탕으로 최근 익숙한 더 적은 양의 데이터로 활성 양자 시스템(예: 양자 상태를 다른 상태로 변환)을 연구하기 위한 향상된 알고리즘입니다. Preskill은 이것이 단지 시작일 뿐이라고 의심합니다. 그는 “향후 10~XNUMX년 동안 내가 예상하는 것은 양자 컴퓨팅의 주요 영향은 상업적으로 중요한 애플리케이션이 아닐 것”이라고 말했다. “과학적 탐구가 될 거예요.”

현재로서는 Huang과 Lewis가 개발한 새로운 방법을 실험실 실험에서 엄격하게 테스트해야 합니다. 실험적인 시스템에는 측정 오류와 부정확성을 포함한 추가적인 문제가 따르며 이러한 모델은 여전히 ​​처리할 수 없다고 Chen은 말했습니다.

그러나 이 작업이 아직 진행 중이더라도 이러한 고전적 그림자를 통해 연구자들은 새로운 방식으로 양자 이론 영역에 대한 이해를 향상시킬 수 있습니다. 고전적인 그림자는 양자 복잡성을 포착하기에 충분합니까, 아니면 완전한 양자 접근 방식이 필요합니까? 영원히 도달할 수 없는 양자 특성이나 역학이 있습니까? "그들의 작업은 이러한 질문에 대해 생각하기 시작하는 선구적인 것이었습니다."라고 말했습니다. 최순원, 매사추세츠 공과 대학의 물리학자.

그리고 아마도 언젠가 연구자들은 실험실에서 한 번도 접한 적이 없는 시스템 기능을 예측할 수 있을 만큼 충분한 실험 데이터를 수집할 것이라고 Preskill은 말했습니다. “이것은 양자물리학에 머신러닝을 적용하는 큰 그림 목표 중 하나입니다.”라고 그는 말했습니다. "그리고 우리는 적어도 일부 설정에서는 정확한 예측을 할 수 있다는 것을 보여줄 수 있었습니다."

편집자 주: Scott Aaronson은 Quanta Magazine의 자문위원회.