33.jpg
55.jpg

KAIST부설 한국과학영재학교 온라인 과학매거진 코스모스

  • 블랙 페이스 북 아이콘
  • 블랙 인스 타 그램 아이콘

양자역학도 기계학습으로 정복!

측정의 정밀도는 날이 갈 수록 높아지고 있습니다. 마이크로 스케일에서 나노 스케일로 과학 기술이 넘어간 현제, 우리는 거의 무제한의 정밀도로 측정을 수행할 수 있게 되었습니다. 하지만 양자 세계, 즉 원자, 전자, 광자, 그리고 다른 작은 입자들의 영역에서는 이런 정밀한 정도의 측정이 매우 어렵습니다. 그 이유는 측정 과정에서 측정하는 대상에 교란을 가져 올 수 있고 결국 이러한 오류는 측정 오차로 이어지기 때문입니다. 사실, 이 뿐만 아니라 측정에 사용되는 기구에서부터 시스템의 특성에 이르기까지 모든 것이 결과에 영향을 미칠 수 있습니다. 이 것이 바로 노이즈라는 것이죠. 특히나 실시간으로 양자 시스템을 제어하기 위해 노이즈가 많은 측정장치를 사용하는 것은 문제가 될 것입니다. 따라서 양자 현상을 활용하는 양자 컴퓨터나 영상 의료기기와 같은 기술에는 고정밀도의 양자 현상 제어 시스템이 필요합니다.


일본과 호주 연구진이 돌파구를 찾다!

이런 양자 제어의 한계를 일본 오키나와 과학기술대학원과 호주 퀸즐랜드 대학의 양자 기계 유닛의 국제 연구팀이 시뮬레이션을 통해 기계 학습의 한 종류인 강화 학습을 통해 돌파하였습니다. 연구진들은 해당 방법을 통해 정확한 측정에 노이즈가 있더라도 정확하게 양자 현상을 제어할 수 있음을 확인하였습니다. 이들의 연구 결과 최근 유명 학회지인 Physical Review Letters에 투고 되었습니다.

연구팀의 포스트 닥터이자 논문의 주요 저자인 Sangkha Borah 박사는 간단한 예를 들어 이 아이디어를 설명했다. "언덕 꼭대기에 있는 공을 상상해 보세요. 공은 왼쪽이나 오른쪽으로 쉽게 굴러갈 수 있지만, 목표는 공을 같은 장소에 두는 것입니다. 이를 위해서는 어떤 방향으로 진행될지 지켜볼 필요가 있습니다. 왼쪽으로 기울어지면 오른쪽에 힘을 가해야 하고 반대로 힘을 가해야 합니다. 자, 기계가 그 힘을 가한다고 상상해 보세요. 그리고 강화 학습을 사용하여, 얼마나 많은 힘을 가해야 하는지 그리고 언제 가해야 하는지 배울 수 있습니다."

강화 학습은 로봇이 시행착오 접근법을 통해 걷는 법을 배울 수 있는 로봇공학에서 종종 사용됩니다. 그러나 양자 물리학의 영역 내에서 그러한 적용은 흔치 않습니다. 비록 Ball -atop-a-hill 모델은 가시적인 예이지만, 연구원들이 시뮬레이션한 시스템은 훨씬 더 작은 규모였습니다. 공 대신에, 그 물체는 이중 우물 안에서 움직이는 작은 입자였습니다. 보라 박사와 그의 동료들은 실시간 측정을 사용하여 제어하려고 했습니다.

언덕 위에 공 모델의 강화 학습 결과

머신러닝 에이전트는 적절한 힘을 가하여 공을 슬로프 꼭대기에 유지하려고 합니다. 첫 번째 영상 보면 에이전트는 강화 학습을 통한 어떠한 훈련도 받지 않았기 때문에 공이 불규칙하게 움직입니다.

"두 우물의 바닥은 양자 바닥 상태라고 불립니다," 라고 이 연구소의 포스트 닥터이자 이 논문의 공동 저자인 Bijita Sarma 박사가 이야기 했습니다. "그것이 우리가 최종적으로 그 입자가 위치하기를 원했던 곳입니다. 이를 위해 우리는 입자의 상태에 대한 정보를 추출하기 위해 측정을 지속적으로 수행해야 하며, 이에 따라 입자를 지면 상태로 밀어내기 위해 힘을 가해야 합니다. 하지만, 양자역학에서 일반적으로 사용되는 측정법은 우리가 그렇게 할 수 있도록 허락하지 않습니다. 따라서, 우리는 시스템을 더 스마트하게 제어할 수 있는 방법이 필요합니다."

흥미롭게도, 바닥 상태에 있을 때, 그 입자는 두 우물에 동시에 있을 것이다. 이것을 양자 중첩이라고 하는데, 다양한 양자 기술에서 중요한 점을 고려할 때 양자 시스템이 존재하기 위해서는 필수적으로 필요한 상태입니다. 우물 내 입자의 위치들을 탐지하기 위해 기계 에이전트는 학습을 위한 데이터 포인트로 사용하는 연속적인 측정 기록을 실시간으로 제공합니다. 그리고 이것은 강화 고리(reinforcement loop)를 사용했기 때문에, 기계가 시스템으로부터 배운 모든 정보는 미래의 측정을 더 정확하게 하기 위해 사용됩니다.

300회의 강화학습을 시행한 모델의 그래프를 보면 매우 불규칙스러운것을 확인할 수 있습니다. 이는 해당 시스템이 비선형이라는 사실 때문에 증가한 복잡성입니다. 즉, 출력의 변화가 입력의 변화와 관련이 없다는 것을 의미한다. 이러한 시스템은 소위 선형 시스템과 비교할 때 혼란스럽고 혼란스럽습니다. 그러한 비선형 시스템의 경우, 양자 제어의 표준 방법은 없지만, 이 연구는 강화 학습을 통해 기계가 양자 시스템을 완전히 자율적으로 제어하는 방법을 배울 수 있다는 것을 보여주었습니다.

시행 착오 끝에 해당 기계학습 모델은 공을 어떻게 지정된 위치에 놓을 수 있는지를 습득하게 되었습니다. 이는 5000회 반복 학습 끝에 나온 결과를 통해 확인할 수 있습니다.

본 연구팀의 결과는 이후에도 해당 연구 방식을 통해 더욱 정밀한 양자 시스템 제어 기술을 만들 수 있을 것으로 기대하고 있습니다.

 

추연서 | Physics & Earth Sci. | 지식더하기


참고자료

[1] Nomura, Y., Yoshioka, N., & Nori, F. (2021). Purifying Deep Boltzmann Machines for Thermal Quantum States. Physical Review Letters, 127(6). doi:10.1103/physrevlett.127.060601

[2] https://phys.org/news/2021-11-machine-tool-quantum.html


첨부한 이미지 출처

[1] https://www.wallpaperuse.com/vien/TRxTmb/


첨부한 동영상 출처

[1] https://vimeo.com/642149491

[2] https://vimeo.com/642151863

[3] https://vimeo.com/642152652


ⓒ KAIST부설 한국과학영재학교 온라인 과학매거진 KOSMOS

조회수 382회댓글 0개

최근 게시물

전체 보기