광자 양자 메모리스트를 이용한 확장형 메모리 공유 네트워크와 양자 리저버 컴퓨팅

초록

광자 기반 양자 메모리스트(PQMR)의 메모리를 개별 소자에 국한되지 않고 인접 소자와 공유하도록 설계한 확장형 네트워크를 제안한다. 각 노드는 자체와 이웃의 광자 수와 코히런스 히스토리를 측정 기반 피드백으로 이용해 내부 상태를 업데이트하며, 이를 ‘광자 양자 메모리스트랜지스터(PQMT)’ 모델로 수학화한다. 실험 시뮬레이션을 통해 장치 수준·네트워크 수준 모두에서 고전·양자 히스테리시스가 크게 강화됨을 확인하고, 이를 양자 리저버에 적용해 Fashion‑MNIST 이미지 분류에서 정확도와 신뢰도 모두 두 배 이상 향상시킨다.

상세 분석

본 논문은 광자 기반 양자 메모리스트(PQMR)의 근본적인 한계인 ‘지역적 메모리’ 문제를 측정 기반 피드백을 이용한 메모리 공유 메커니즘으로 해결한다. 기존 PQMR는 입력 포트 A에서 측정된 평균 광자 수 ⟨n_A⟩만을 이용해 위상 θ를 업데이트했으며, 이는 각 소자가 독립적인 비마르코프ian 동작을 수행한다는 뜻이다. 저자들은 이 구조에 추가적인 포트 E와 F를 도입해 인접 소자의 ⟨n_E⟩ 정보를 게이트 함수 f_mod에 결합함으로써, ‘광자 양자 메모리스트랜지스터(PQMT)’라는 새로운 모델을 정의한다. 수식 (2)에서 보듯, 메모리 공유 강도 d가 0이면 PQMT는 기존 PQMR과 동일하게 동작하고, d가 커질수록 f_mod이 활성화돼 전송률 T_PQMT가 감소하면서 히스테리시스 루프의 면적과 대비가 확대된다. 이는 메모리 공유가 장치 수준에서 비선형성을 강화하고, 입력 히스토리의 장기 의존성을 더 강하게 반영한다는 물리적 의미를 가진다.

시뮬레이션 결과는 두 가지 측면에서 설득력을 제공한다. 첫째, 단일 소자 수준에서 ⟨n_C⟩‑⟨n_A⟩ 히스테리시스와 양자 코히런스 γ_C‑γ_A 히스테리시스 모두 d가 증가함에 따라 루프 면적과 대비가 크게 늘어난다. 특히 양자 코히런스 루프는 전송률 감소에도 불구하고 두 서브루프 사이의 대비가 강화돼 양자 메모리 용량이 실질적으로 증대됨을 보여준다. 둘째, N개의 PQMT를 순환형 게이트 결합(cyclic gate coupling)으로 병렬 연결한 네트워크에서는 다중 모드 코히런스 γ_in‑γ_out 히스테리시스가 동일한 경향을 보이며, 메모리 윈도우 τ_int/τ_osc 비율이 0.5 이상일 때 히스테리시스 면적 S_γ가 뚜렷이 상승한다. 이는 메모리 공유가 네트워크 전반에 걸쳐 비마르코프ian 동작을 전파시키며, 집합적인 메모리 용량을 확대한다는 중요한 증거이다.

양자 리저버 컴퓨팅 적용에서는 두 단계의 무작위 Haar 유니터리 회로 사이에 9개의 PQMT를 삽입한 구조를 사용한다. 입력 이미지의 Fock 상태 표현을 시간에 따라 변조하는 방식으로 데이터를 인코딩하고, 각 PQMT가 제공하는 비선형·비마르코프ian 변환을 통해 고차원 힐베르트 공간으로 매핑한다. 메모리 공유 강도 d를 변화시켰을 때, 전송률 벡터 T_i의 L2 거리 평균 ⟨L_T⟩이 크게 증가함을 확인했으며, 이는 데이터 분리성이 향상된 직접적인 지표이다. 최종 분류 단계에서 d가 0(전통 PQMR)일 때보다 d=10일 때 정확도와 신뢰도가 각각 약 2배 이상 상승했으며, ‘정확도‑신뢰도 복합 지표’에서도 현저한 개선을 보였다.

이러한 결과는 측정 기반 메모리 공유가 양자 광자 회로에서 실용적인 메모리 용량을 제공하고, 리저버 컴퓨팅과 같은 비지도 학습·시계열 예측 작업에 직접적인 성능 향상을 가져올 수 있음을 입증한다. 또한, 현재 구현된 순환형 2-차 연결 외에도 고차원 그래프, 양방향 연결, 소규모 세계 네트워크 등 다양한 토폴로지를 탐색함으로써 더욱 높은 메모리 용량과 학습 효율을 달성할 가능성을 시사한다.