실리콘기반 대규모 양자컴퓨터 아키텍처 구현 기대

과학자들이 기계학습(machine learning)을 활용해 실리콘에서 인(phosphorus) 원자 큐비트의 계산 된 이미지를 분류, 정확한 원자 정밀도로 큐비트를 특성화하는데 성공했다.

세계 양자 컴퓨팅 연구 그룹이 활용하는 서로 다른 종류의 큐비트(qubits)는 각각의 고유한 이점과 한계가 있다. 일부 큐비트는 확장 가능성을 제공하는 반면, 다른 큐비트는 매우 긴 결맞음(coherence) 시간, 즉 양자 정보를 장시간 저장할 수있다. 실리콘 큐비트는 두 측면에서 모두 유망해 대규모 양자 컴퓨터 아키텍처 설계 및 구현을 위한 최우선 후보중 하나다.

실리콘에서 대규모 양자 컴퓨터 아키텍처를 구현하는 한 가지 방법은 개별 원자를 2차원 그리드에 배치하는 것이다. 단일 및 2 큐비트 논리 연산은 종래의 마이크로 전자 회로를 위한 고전 논리 게이트와 유사한 나노 전자 와이어 그리드에 의해 제어된다. 그러나 이 방식의 핵심은 실리콘 그리드에 인(phosphorus) 원자를 매우 정확하게 배치하는 것이다.

기계학습 원자 수준 큐 비트 특성화 기술 개요. 큐비트는 실리콘에서 단일 도너 원자(1P) 또는 한 쌍의 밀접하게 이격 된 원자(2P)에 한정된 전자에 의해 형성된다. 실리콘에서 도펀트 큐비트에 국한된 하나의 전자 파동함수 이론으로 계산 된 터널링 전류 이미지가 생성된다. 실험 이미지의 전형적인 노이즈 적용을 포함시킨 후, 이미지는 에지 또는 특징 검출 분석을 사용해 처리, 계산 및 저장 요건을 감소시킨다. b 10만개의 처리 된 이미지 세트는 CNN 기계학습 알고리즘 학습에 사용된다. c CNN 테스트는 다양한 수준의 평면 및 흐림 노이즈로 17,600 개의 시뮬레이션 된 STM 이미지를 새로 생성한다. d 훈련 된 CNN은 각 테스트 이미지에 해당하는 도펀트 원자의 공간 위치와 개수를 정확하게 결정해 큐비트의 정확한 원자 특성 분석을 수행한다. credit:nature.

도전 과제

최신 기술을 사용하더라도 실리콘 격자의 정확한 위치에 인 원자를 배치하는 것은 매우 어려운 작업이다. 하나의 원자 격자 위치 순서의 작은 변형이 종종 관찰되며 두 큐비트 연산의 효율성에 큰 영향을 미칠 수 있다. 실리콘 인 원자에 대한 전자 큐비트 사이 교환 상호작용의 초 민감한 의존성에서 문제가 발생한다.

교환 상호작용은 전자와 같은 2개의 아 원자 입자의 파동 함수가 중첩될 때 실제 공간에서 상호 작용하고 간섭 패턴을 만들 수있는 기본적인 양자 역학적 특성이다. 인 원자 큐비트 전자들 사이 교환 상호작용은 빠른 2 큐비트 게이트를 구현하는 데 활용할수 있지만, 임의의 변화가 양자 게이트의 정확도에 유해할 수 있다. 종래의 컴퓨터에서의 논리 게이트와 같이, 양자 게이트는 양자 회로를 구성하는 블록이다.

실리콘 인 큐비트의 경우, 격자 장소에서 큐비트 원자 위치 불확실성 등이 교환 상호작용에 영향을 미쳐 2큐비트 게이트 동작에서 오류를 유발할 수 있다. 대규모 아키텍처에 축적 된 이러한 오류는 양자 컴퓨터의 효율성을 저해, 큐비트의 양자 역학적 특성으로 인해 예상되는 양자 이점을 감소시킬 수 있다.

전자 파동함수 패턴 맵. 대칭, 밝기 및 크기는 실리콘 격자에서 인 원자의 위치와 직접 관련된다. Credit: M.Usman, University of Melbourne.

큐비트 원자 좌표

연구팀은 2016년 호주 뉴사우스웨일즈대학(UNSW)의 양자 계산 및 통신 기술 센터와 협력해 실리콘에서 인 원자의 정확한 위치를 찾아 낼 수있는 기술을 개발했다.

네이처 나노테크놀로지(Nature Nanotechnology)에 보고 된 이 기술은 실리콘에서 그들의 공간적 위치를 정확히 찾아 내기 위해 인 원자 파동함수의 계산된 STM(scanning tunneling microscope) 이미지를 사용한 최초의 기술이었다.

STM이미지는 호주의 국가 슈퍼 컴퓨터 시설을 사용해 수백만 개의 원자에 대해 전자 계산을 수행 할 수있는 프레임 워크로 계산했다. 이러한 계산은 전자 파동함수 패턴의 맵을 생성하는데, 여기서 피처의 대칭, 밝기 및 크기는 전자가 결합 된 실리콘 격자에서 인 원자의 위치와 직접적으로 관련됐다.

이를 통해 연구팀은 각각의 공여 원자 위치가 단일 격자 위치 정밀도로 공간 계측(Spatial metrology)으로 알려진 큐비트 원자 위치를 정확하게 제시하는 별개의 지도를 도출했다.

이 기술은 개별 큐비트 수준에서 매우 효과적이었다. 그러나 다음으로 큰 과제는 범용 내결함성 양자 컴퓨터의 요구 사항을 충족하면서 고속 및 자율로 이 정확한 원자 공간 핀 포인트를 수행할 수있는 프레임 워크를 구축하는 것이었다.

실리콘 격자에서 인 원자 큐비트의 계산 된 스캐닝 터널링 현미경(STM) 이미지는 CNN(Convolutional Neural Network)을 훈련시키는 데 사용된다. 공간 위치와 원자 수 모두에서 정확한 원자 정밀도로 큐비트 특성화가 가능하다. credit: M.Usman / University of Melbourne

기계 학습

기계 학습(Machine learning)은 이미지 처리, 로봇 공학 및 재료 설계에 이르기까지 거의 모든 연구 분야를 혁신하는 새로운 연구 분야다. 훈련된 머신러닝 알고리즘은 매우 큰 데이터 세트를 효율적으로 처리 할 수 있다. 머신 러닝 CNN (Convolutional Neural Network)알고리즘은 수천 개의 샘플 이미지에 대해 훈련을 통해 알 수없는 이미지(노이즈 포함)를 정확하게 인식하고 분류를 수행할 수 있다.

연구팀은 큐비트 원자의 공간 계측을 뒷받침하는 STM 이미지의 특징 맵을 분류하기 위해 계산 된 STM 이미지로 CNN 훈련했다. 이 연구결과는 ‘NPJ Computational Materials’ 저널에 발표됐다.

이 훈련에는 10만 개의 STM 이미지를 포함, CNN에서 99% 이상의 놀라운 학습을 달성했다. 그런 다음 실제 환경에 일반적으로 나타나는 흐림 및 비대칭 노이즈를 포함해 1만7600개 테스트 이미지에 대해 훈련된 CNN을 테스트했다. CNN은 테스트 이미지를 98% 이상의 정확도로 분류, 높은 정밀도 및 최소한의 인간 상호 작용으로 큐비트 측정 데이터를 처리 할 수 있음을 확인했다.

향후 몇 년간 큐 비트의 수가 증가하고 양자 장치의 크기가 커짐에 따라 수동 측정을 통한 큐비트 특성 분석은 어려울 수 있다. 이 연구는 기계 학습 기술이 어떻게 본격적인 내결함성 범용 양자 컴퓨터 실현에 결정적인 역할을 수행할 수 있는지 보여준다.

*Usman, M., Wong, Y.Z., Hill, C.D. et al. Framework for atomic-level characterisation of quantum computer arrays by machine learning.npj Comput Mater6, 19 (2020). https://doi.org/10.1038/s41524-020-0282-0

*Usman, M., Bocquel, J., Salfi, J. et al. Spatial metrology of dopants in silicon with exact lattice site precision. Nature Nanotech11, 763–768 (2016). https://doi.org/10.1038/nnano.2016.83