연구진, 양자 컴퓨터를 이용해 중성미자 현상 분류

연구원들은 양자 컴퓨터를 사용하여 중성미자 망원경으로 감지된 이벤트를 분류하는 데 있어 NPQK로 80%에 가까운 테스트 정확도를, QCNN으로 약 70%의 정확도를 달성했으며, 이는 기존 방식과 대등한 결과입니다. 바스크 지방 대학교(UPV/EHU)의 Pablo Rodriguez-Grasa와 동료들은 신경 투영 양자 커널(NPQK)과 양자 합성곱 신경망(QCNN)을 조사하여 이 능력을 입증했습니다.

2026년 8월 21일 Quantum Science and Technology, 제4호에 발표된 이 연구는 현재 하드웨어를 사용하여 천문 데이터 분석에 양자 기계 학습을 적용할 수 있는 타당성을 확립합니다. 이 연구는 양자 컴퓨터가 어떻게 서로 다른 유형의 중성미자 이벤트를 구별할 수 있는지 탐구하며, 이는 희귀한 우주 현상을 이해하는 데 중요합니다.

중성미자 이벤트 분류에 대한 NPQK 및 QCNN 접근 방식

80%에 가까운 테스트 정확도를 달성한 신경 투영 양자 커널(NPQK) 접근 방식은 시뮬레이터와 IBM 스트라스부르 양자 프로세서 모두에서 중성미자 이벤트를 직접 분류하는 능력을 입증했습니다. 이 결과는 천체 물리학에서 실용적인 양자 응용 분야로의 전환을 시사합니다. 바스크 지방 대학교(UPV/EHU)의 Pablo Rodriguez-Grasa가 이끄는 연구팀은 2026년 8월 21일 Quantum Science and Technology, 제4호에 발표된 연구에서 이 성능을 자세히 설명했으며, 중성미자 망원경 데이터 내의 핵심 신호인 뮤온 궤적과 강입자/전자기 샤워를 구별하는 데 중점을 두었습니다.

양자 하드웨어에 대한 이러한 직접적인 구현은 순수하게 시뮬레이션된 결과의 필요성을 우회하여 현재 양자 시스템의 내재적 노이즈와 한계에 대해 방법론을 검증합니다. 연구팀은 고에너지 물리학에 양자 기계 학습을 적용하는 데 있어 중요한 과제인 대규모 특징 공간 인코딩 문제를 해결했습니다.

기존 방식은 IceCube와 같은 중성미자 망원경에서 생성되는 방대한 정보량으로 인해 어려움을 겪으며, 이는 양자 그래프 신경망의 실현 가능성을 제한합니다. 이를 해결하기 위해 Rodriguez-Grasa와 동료들은 문제의 근본적인 물리학과 기하학에서 영감을 얻은 전처리 전략인 관성 모멘트 기반 인코딩 체계를 도입했습니다. 이 체계는 필수적인 물리적 특성을 보존하면서 데이터의 차원을 축소하도록 설계되었습니다. 이 혁신적인 접근 방식을 통해 관리 가능한 수의 큐비트로 작업할 수 있었으며, 기존 양자 하드웨어에서 분류 작업을 수행할 수 있게 되었습니다.