연구진, 양자 컴퓨팅 활용해 얽힘 탐지 알고리즘 학습

새로운 하이브리드 양자 프레임워크는 단열 양자 컴퓨팅을 사용하여 변분 양자 알고리즘(VQAs)을 훈련합니다. 이는 복잡한 양자 상태에서 양자 역학과 고전 이론을 구별하는 핵심 특징인 얽힘을 감지할 수 있게 해줍니다. 이 접근 방식은 매개변수 공간 이산화와 양자 어닐링에 사용되는 이차 무제약 이진 최적화(QUBO) 모델을 결합하여, 이전 작업 외에는 찾아볼 수 없었던 대안적인 훈련 전략을 제공합니다. 이 방법은 변분 회로를 단열 양자 컴퓨팅과 결합하여 양자 역학을 고전 물리학과 분리하는 정의적 특성인 얽힘을 식별합니다.

복잡한 최적화 프로세스를 양자 어닐링에 적합한 이차 무제약 이진 최적화(QUBO) 모델로 변환함으로써, 이전 연구 외에는 보고된 적 없는 독특한 알고리즘 개발 접근 방식을 제공합니다. 변분 양자 알고리즘(VQAs)은 단열 양자 컴퓨팅을 사용하여 훈련됩니다. 이 알고리즘은 양자 역학을 고전 물리학과 구별하는 가장 결정적인 특징 중 하나인 얽힘을 감지하는 것을 목표로 합니다. VQAs를 복잡한 악기의 튜닝 노브처럼 생각해보세요. 가장 좋은 결과를 찾기 위해 설정을 반복적으로 조정하지만, 효율적으로 보정하기 어려울 수 있습니다.

연구 팀의 접근 방식은 이 최적화 프로세스를 이차 무제약 이진 최적화(QUBO) 모델로 변환합니다. 이는 기본적으로 방정식을 최소화하면서 변수에 0 또는 1 값을 할당하는 수학적 퍼즐이며, 울퉁불퉁한 지형에서 가장 낮은 지점을 찾는 것과 비슷합니다. 그런 다음 공을 지형의 가장 깊은 계곡으로 굴리는 것과 유사한 양자 어닐링을 활용함으로써, 이전 작업 외에는 보고된 적 없는 새로운 훈련 전략을 제공합니다. 예비 결과는 기존 방법들과 비교되고 있습니다.

단열 QUBO 최적화를 통한 확장 가능한 얽힘 검증

새로운 프레임워크는 현재 기록과 일치하는 최대 25 큐비트에 대한 얽힘 측정을 달성하는 동시에, 기존 변분 양자 알고리즘(VQA) 방법에 비해 훈련 시간을 단축합니다. 이전 기술들은 긴 VQA 매개변수 최적화 프로세스로 인해 소규모 시스템 이상으로 확장할 때 계산 요구 사항에 어려움을 겪었습니다. 이 발전은 복잡한 얽힘 상태를 감지하는 데 있어 그 핵심적인 한계를 극복합니다. 문제를 이차 무제약 이진 최적화(QUBO) 모델로 공식화하고 단열 양자 컴퓨팅을 활용함으로써, 이전 작업 외에는 다른 곳에서 찾아볼 수 없는 대안적인 접근 방식을 제시합니다.

속도 향상은 단열 양자 컴퓨팅과 함께 얽힘 감지에 사용되는 변분 양자 알고리즘(VQAs)을 훈련하기 위해 설계된 하이브리드 양자 프레임워크에서 비롯됩니다. 이는 고전 및 양자 방법론을 통해 탐구된 양자 정보 과학의 기초적인 측면을 다룹니다. 예비 비교를 통해 고전 신경망 및 기존 VQA 기술에 대한 성능을 평가하지만, 현재 응용 분야는 25 큐비트 이하의 시스템으로 제한됩니다.