요약: 한 연구에서 머신러닝의 힘을 이용해 양자 소자에 영향을 미치는 주요 과제를 극복했습니다. 이 연구 결과는 양자 장치에서 예측된 동작과 관찰된 동작 사이의 차이인 '현실의 격차'를 좁힐 수 있는 방법을 처음으로 밝혀냈습니다. 옥스퍼드 대학교가 주도한 한 연구에서 머신러닝의 힘을 이용해 양자 소자에 영향을 미치는 주요 과제를 극복했습니다. 이 연구 결과는 양자 장치에서 예측된 동작과 관찰된 동작의 차이인 '현실의 격차'를 좁힐 수 있는 방법을 처음으로 밝혀냈습니다. 연구 결과는 '피지컬 리뷰 엑스'에 게재되었습니다. 양자 컴퓨팅은 기후 모델링과 재무 예측에서 신약 개발과 인공 지능에 이르기까지 다양한 애플리케이션을 강화할 수 있습니다.
하지만 이를 위해서는 개별 양자 장치(큐비트라고도 함)를 효과적으로 확장하고 결합할 수 있는 방법이 필요합니다. 이를 가로막는 가장 큰 장벽은 겉으로 보기에 동일한 단위라도 서로 다른 동작을 보이는 내재적 가변성입니다. 기능적 가변성은 양자 소자가 만들어지는 재료의 나노 단위 불완전성 때문에 발생하는 것으로 추정됩니다.
이를 직접 측정할 수 있는 방법이 없기 때문에 시뮬레이션에서 이러한 내부 장애를 포착할 수 없어 예측 결과와 관찰 결과의 차이가 발생하게 됩니다.
이 문제를 해결하기 위해 연구팀은 '물리학 정보 기반' 머신러닝 접근법을 사용하여 이러한 장애 특성을 간접적으로 추론했습니다.
