과학자들은 양자 정보를 위한 양자 강화 기계학습(machine learning) 알고리즘을 제안했다.

양자 컴퓨터는 양자 역학 효과를 통해 정보를 저장하고 조작한다. 양자 효과는 종종 반직관적이라고 여겨지며 양자 컴퓨팅 성능은 최고의 슈퍼 컴퓨터보다 훨씬 뛰어나다. 2019년 구글은 양자 우위를 시연한 프로토 타입 양자 프로세서를 선보였다.

양자 알고리즘은 다양한 계산 작업을 향상시키기 위해 개발됐다. 양자 기계학습 개발에는 제이콥 비아몬테(Jacob Biamonte)가 이끄는 러시아 모스크바의 스콜테크(Skoltech) 양자 정보처리 연구소도 참여해 왔다.

비아몬테는 “기계학습 기술은 데이터에서 패턴을 찾기위한 강력한 도구다. 양자 시스템은 고전 시스템이 효율적으로 생산하지 않을 것으로 생각되는 비정형 패턴을 생성하므로, 양자 컴퓨터가 기계학습 작업에서 고전 컴퓨터보다 성능이 뛰어나다는 것은 놀라운 일이 아니다”라고 말했다.

양자 강화 기계 학습에 대한 표준 접근법은 양자 알고리즘을 고전적인 데이터에 적용하는 것이다. 다시 말해, 양자 효과가 이용되기 전에 고전 데이터(1과 0비트로 이루어진)가 양자 프로세서에 의해 저장되거나 다르게 표현돼야 한다. 이것을 데이터 읽기 문제라고 한다. 데이터 읽기는 양자 강화 머신러닝 알고리즘을 사용해 가능한 속도를 제한하는 역할을 한다.

스콜텍 연구팀은 양자 기계학습을 양자 강화 시뮬레이션(quantum enhanced simulation)과 병합해 다체 양자 자기 문제에서 위상 전이를 연구하는 방법을 적용했다. 양자 상태만을 데이터로 사용해 양자 신경망을 훈련했다.

다시 말해, 저자는 양자 역학적 물질 상태를 공급함으로써 데이터 판독 문제를 피할 수 있다. 이러한 상태는 일반적으로 표준(비 양자) 접근법을 사용, 표현하는 데는 불가능에 가까운 큰 용량의 메모리가 요구된다.

이 연구의 수석 저자 스콜텍 박사과정 알렉세이 우바로프(Alexey Uvarov)는이 연구를 “기계 학습을 위한 양자 장치의 힘을 이해하는 단계”라고 설명한다.

연구원들은 접근 방식 분석에 텐서 네트워크와 얽힘 이론의 아이디어를 적용하는 것을 포함해 다양한 기술을 병합했다. 이 작업은 VQE(variational quantum eigensolver)라는 서브 루틴을 사용한다. 이 알고리즘은 주어진 양자 해밀토니안(Hamiltonian)의 그라운드 상태에 대한 근사치를 반복적으로 찾는 알고리즘이다.

이 서브 루틴의 출력은 양자 컴퓨터에서 양자 상태를 준비하기 위한 명령 세트다. 그러나 명시적으로 상태를 기록하는 것은 일반적으로 기하급수적 메모리 양을 필요로 한다.

논문의 학습 알고리즘은 양자 스핀 모델에 대한 그라운드 상태 문제를 해결하는 VQE 상태가 주어지면 그 상태가 물질의 두 단계 중 어디에 속하는지 알아내는 것이다.

비아몬테는“우리의 접근 방식은 응집 물질 물리 문제에 중점을 두었지만 이러한 양자 강화 알고리즘은 재료 과학 및 약물 발견 등 직면 과제에도 동일하게 적용된다”고 말했다.

논문은 피지컬 리뷰 A(Physical Review A) 저널에 실렸다.

*A. V. Uvarov et al. Machine learning phase transitions with a quantum processor, Physical Review A (2020). DOI: 10.1103/PhysRevA.102.012415 , arxiv.org/abs/1906.10155