By 케나 휴즈-캐슬베리 05년 2022월 XNUMX일 게시됨
양자 컴퓨팅, 인공 지능(AI) 및 기계 학습(ML)과 같은 혁신적인 기술을 개발하면 상당한 이점을 얻을 수 있습니다. 둘 다 AI 와 ML 대규모 데이터 풀을 사용하여 패턴을 예측하고 결론을 도출합니다. 이는 양자 컴퓨팅 시스템을 최적화하는 데 특히 유용할 수 있습니다. 최근 Flatiron Institute의 전산 양자 물리학 센터(Center for Computational Quantum Physics)의 연구원(CCQ), 특히 어려운 양자 물리학 문제에 ML 기술을 적용하여 시스템에 필요한 100,000개의 방정식을 단 XNUMX개의 방정식으로 줄이고 정확도를 낮추지 않았습니다. 로서 플랫아이언 연구소 는 시몬스 재단 과학적 방법을 발전시키기 위해 노력한 연구원들은 연구 결과를 피지컬 리뷰 레터스 (Physical Review Letters).
Hubbard 모델 살펴보기
문제의 어려운 양자 물리학 문제는 격자에서 전자가 서로 어떻게 상호 작용하는지에 초점을 맞췄습니다. 격자 양자 연구에 자주 활용되며 특수 레이저 그리드를 사용하여 만들어집니다. 격자 내에서 전자는 같은 지점에 있는 경우 서로 상호 작용하여 시스템에 노이즈를 추가하고 결과를 왜곡할 수 있습니다. 라고도 불리는 이 시스템은 허바드 모델, 양자 과학자들이 풀기 어려운 퍼즐이었습니다. 수석 연구원에 따르면 도메니코 디 산트e, CCQ의 제휴 연구 연구원: “허바드 모델은… 전자의 운동 에너지(격자에서 움직이는 전자와 관련된 에너지) 및 위치 에너지(전자의 이동을 방해하려는 에너지)의 두 가지 요소만 특징으로 합니다. 전자). 자기 및 초전도성을 포함하여 복잡한 양자 물질의 근본적인 현상을 암호화하는 것으로 믿어집니다.”
Hubbard 모델은 단순해 보일 수 있지만 전혀 그렇지 않습니다. 격자 내의 전자는 얽히는 것을 포함하여 예측하기 어려운 방식으로 상호 작용할 수 있습니다. 전자가 격자 내에서 서로 다른 두 위치에 있더라도 동시에 처리되어야 하므로 과학자들은 모든 전자를 한 번에 처리해야 합니다. "Hubbard 모델에 대한 정확한 솔루션은 없습니다."라고 Di Sante는 덧붙였습니다. "수치적 방법에 의존해야 합니다." 이 양자 물리학 문제를 극복하기 위해 많은 물리학자들은 재정규화 그룹을 사용합니다. 과학자들이 다양한 입력 속성을 수정할 때 시스템이 어떻게 변하는지 연구할 수 있는 수학적 방법입니다. 그러나 재정규화 그룹이 성공적으로 작동하려면 전자 상호 작용의 가능한 모든 결과를 추적해야 하므로 적어도 100,000개의 방정식을 풀어야 합니다. Di Sante와 그의 동료 연구자들은 ML을 사용하여 알고리즘 이 문제를 훨씬 쉽게 만들 수 있습니다.
연구원들은 다음과 같은 특정 유형의 ML 도구를 사용했습니다. 신경망, 양자 물리학 문제를 해결하려고합니다. 신경망은 특정 알고리즘을 사용하여 원래 100,000개의 방정식 재정규화 그룹과 동일한 솔루션을 생성하는 작은 방정식 세트를 감지했습니다. "우리의 딥 러닝 프레임워크는 수십만 또는 수백만 개의 방정식에서 소수(32개 또는 XNUMX개의 방정식까지)로 차원을 줄이려고 시도합니다."라고 Di Sante는 말했습니다. “우리는 정점을 이 작은 '잠재' 공간으로 압축(압착)하기 위해 인코더-디코더 설계를 사용했습니다. 이 잠재 공간(신경망의 '내부'를 보고 있다고 상상해 보십시오)에서 우리는 신경 상미분 방정식이라는 새로운 ML 방법을 사용하여 이러한 방정식의 해를 학습했습니다.”
다른 어려운 양자 물리학 문제 해결
신경망 덕분에 연구원들은 Hubbard 모델을 연구하는 데 훨씬 적은 수의 방정식을 사용할 수 있음을 발견했습니다. 이 결과는 분명한 성공을 보여주지만, Di Sante는 아직 해야 할 일이 훨씬 더 많다는 것을 이해했습니다. "기계 학습 아키텍처를 해석하는 것은 간단한 작업이 아닙니다."라고 그는 말했습니다. “종종 신경망은 학습 내용에 대한 이해가 거의 없는 블랙박스처럼 매우 잘 작동합니다. 현재 우리의 노력은 학습된 소수의 방정식과 Hubbard 모델의 실제 물리학 사이의 연결을 더 잘 이해하기 위한 방법에 집중되어 있습니다.”
그럼에도 불구하고 이 연구의 초기 발견은 다른 양자 물리학 문제에 대한 큰 의미를 시사합니다. "꼭짓점(두 전자 사이의 상호 작용을 암호화하는 중심 물체)을 압축하는 것은 양자 상호 작용 물질에 대한 양자 물리학에서 큰 문제입니다."라고 Di Sante는 설명했습니다. “메모리와 계산 능력을 절약하고 물리적 통찰력을 제공합니다. 우리의 작업은 기계 학습과 양자 물리학이 어떻게 건설적으로 교차하는지 다시 한 번 보여주었습니다.” 이러한 영향은 양자 산업 내에서 유사한 문제로 해석될 수도 있습니다. Di Sante는 "이 분야는 동일한 문제에 직면해 있습니다. 조작 및 연구를 위해 압축이 필요한 대규모 고차원 데이터를 보유하고 있습니다."라고 덧붙였습니다. "우리는 재정규화 그룹에 대한 이 작업이 이 하위 분야에서도 새로운 접근 방식을 돕거나 영감을 줄 수 있기를 바랍니다."
Kenna Hughes-Castleberry는 Inside Quantum Technology의 전속 작가이자 JILA(University of Colorado Boulder와 NIST 간의 파트너십)의 과학 커뮤니케이터입니다. 그녀의 글쓰기 비트에는 심층 기술, 메타버스 및 양자 기술이 포함됩니다.
