양자 제어에 유용한 기계 학습 방법 제시

기계 학습을 통해 노이즈가 있는 측정에서도 정확한 양자 제어를 생성할 수 있다.

호주 퀸즐랜드 대학(University of Queensland)과 일본 OIST 국제 연구원 그룹이 시뮬레이션을 통해 심층 강화 학습(Deep Reinforcement Learning)을 활용한 양자 제어 가능성을 보여주었다.

그들의 연구는 최근 Physical Review Letters에 게재됐다.

국제 연구팀 박사후 연구원이자 논문의 주저자인 Dr. Sangkha Borah는 간단한 예를 들어 아이디어를 설명했다. 그는 “언덕 위에 있는 공을 상상해 보세요. 공은 왼쪽이나 오른쪽으로 쉽게 굴러갈 수 있지만 목표는 같은 위치에 유지하는 것이다. 이를 달성하려면 공이 어느 방향으로 굴러갈지 볼 필요가 있다. 왼쪽으로 기울어지면 오른쪽에 힘을 가해야 하고 그 반대도 마찬가지다. 이제 기계가 그 힘을 가하고 있다고 상상하고 강화 학습을 사용하여 기계에 언제 얼마의 힘을 가할지 훈련할 수 있다”고 말했다.

강화 학습은 로봇이 시행착오 접근 방식을 학습하는 로봇에서 자주 사용된다. 그러나 양자 물리학의 영역에서 그러한 응용은 드물다. 언덕 꼭대기의 공이 유형의 예이지만 연구원들이 시뮬레이션한 시스템은 훨씬 작은 규모였다. 공 대신에 대상은 Borah 박사와 그의 동료들이 실시간 측정을 사용하여 제어하려고 했던 이중 우물에서 움직이는 작은 입자였다.

“두 우물의 바닥을 양자 바닥 상태라고 한다”라며 박사후 연구원이자 논문의 공동 저자인 Dr. Bijita Sarma가 말했다. 그는 “그것이 우리가 입자가 궁극적으로 위치하기를 원하는 곳이다. 그러기 위해서는 입자 상태에 대한 정보를 추출하기 위해 지속적으로 측정을 수행해야 하며 이에 따라 약간의 힘을 가하여 입자를 바닥 상태로 밀어야 한다. 그러나 일반적으로 사용되는 측정 양자 역학은 우리가 그렇게 할 수 없기 때문에 시스템을 더 똑똑하게 제어할 수 있는 방법이 필요하다”고 설명했다

흥미롭게도, 바닥 상태에 있을 때 입자는 두 우물에 동시에 있을 것이다. 이를 양자 중첩이라고 하며 다양한 양자 기술에서 그 중요성을 감안할 때 시스템이 있어야 하는 필수 상태다. 우물에서 입자의 위치(또는 위치)를 감지하기 위해 기계 에이전트는 학습을 위한 데이터 포인트로 사용하는 실시간 연속 약한 측정 값을 받는다. 그리고 이것은 강화 루프를 사용했기 때문에 기계가 시스템에서 학습한 모든 정보는 향후 측정을 보다 정확하게 하는 데 사용된다.

이 시스템의 복잡성을 가중시키는 것은 그것이 비선형적이라는 사실이었다. 즉, 출력의 변화가 입력의 변화와 관련이 없음을 의미한다. 이러한 시스템은 소위 선형 시스템과 비교할 때 혼란스럽다. 이러한 비선형 시스템의 경우 표준 양자 제어 방법이 없지만 이 연구는 강화 학습을 통해 기계가 양자 시스템을 완전히 자율적으로 제어하는 ​​방법을 학습할 수 있음을 보여주었다.

Borah 박사는 “인공 지능이 크게 지배하는 미래로 점차 나아가면서 기계 학습과 같은 인공 지능의 유용성을 기존 방법으로 해결할 수 없는 몇 가지 문제를 해결하는 데 탐구할 시간이 무르익었다”라며 “이것은 모든 것이 극적으로 반직관적인 양자 수준에서 입자 역학을 제어하는 ​​데 특히 적용할 수 있다”고 말했다.

OIST 연구팀을 이끄는 Jason Twamley 교수는 “비선형 시스템의 경우 효율적인 피드백 제어에 대한 알려진 방법이 없다. 이 작업에서 우리는 강화 학습이 이러한 제어에 실제로 효과적일 수 있음을 보여주었다. 이는 놀랍고 미래지향적”이라고 밝혔다.