최적화된 펄스를 통해 핵스핀을 10배 더 빠르게 반전시키다 

▲ 수학적으로 최적화된 전자기 펄스를 통해 핵스핀을 훨씬 더 빠르게 다른 상태로 전환할 수 있다. 이미 입증된 한 사례에서는 기존 펄스에 비해 핵스핀을 약 10배 더 빠르게 반전시키는 데 성공했다. © Science Advances

전자기 펄스는 양자물리학적 스핀의 상태를 변화시키지만, 그 정확한 형태가 속도와 정확도를 결정한다. 최신 전문 개요 논문은 수학적으로 최적화된 펄스 열이 어떻게 핵스핀을 훨씬 더 빠르게 반전시키며, 이제는 원자와 분자의 복잡한 상태에도 접근할 수 있게 만드는지 보여준다. 이를 위해서는 각 양자 시스템의 특성이 가능한 한 정확하게 알려져 있어야 한다.

스핀은 입자의 양자역학적 성질로, 일반적인 회전 운동으로 이해할 수 없다. 그럼에도 불구하고 신중하게 조율된 전자기장을 사용하면 스핀의 상태를 변경할 수 있다. 이것이 얼마나 안정적으로 성공하는가는 사용된 펄스의 시간적 형태에도 달려 있다.

이러한 제어 방식은 의학 분야의 자기공명영상(MRI) 및 핵스핀 공명 분광법(NMR)과 같은 확립된 기술의 기반이 된다. 후자는 원자핵의 거동을 이용하여 예를 들어 단백질의 3차원 구조를 밝혀낸다. 두 기술 모두 스핀을 가능한 한 빠르고 정밀하게 특정 상태로 전환할 수 있을 때 혜택을 받는다.

뮌헨 공과대학교(TUM)의 슈테펜 J. 글라세르(Steffen J. Glaser) 교수가 제1저자로 참여한 국제 공동 연구진은 이러한 이른바 최적 양자제어(optimal quantum control)의 발전을 추적했다. 이 전문 개요는 핵스핀 공명부터 개별 원자와 분자의 제어에 이르기까지 과거의 이론적 및 실험적 진전을 통합한다. 이는 새로운 단일 측정이 아니라, 이미 달성된 가능성과 그 한계를 분류하는 것이다.

컴퓨터가 적절한 펄스 형태를 결정하다

연구원들이 초기에는 주로 합성되거나 경험에 따라 형성된 펄스를 개발했던 반면, 오늘날에는 적절한 장(field)의 경로를 체계적으로 계산할 수 있다. 최적화 절차는 물리적 모델, 추구하는 목표 상태, 그리고 사용 가능한 제어 장을 고려했다. 이러한 방식으로 컴퓨터는 펄스 열의 수천 개 개별 제어 변수를 서로 조율할 수 있다.

여기서 결정적인 점은 원하는 상태에 도달하는 것뿐만이 아니다. 개입은 가능한 한 빠르고, 정확하며, 피할 수 없는 편차에 대해 덜 민감하게 진행되어야 한다. 따라서 계산은 자기공명영상 등에서 사용되는 기기의 실제적인 한계도 고려할 수 있다.

“그 이면의 질문은 매우 실용적이다”고 베를린 자유대학교의 크리스티안 코흐(Christiane Koch) 교수가 설명한다. “만약 내게 양자 시스템과 특정 장들이 주어져 있다면, 원하는 상태를 어떻게 하면 가장 빠르고 신뢰성 있게, 그리고 정확하게 달성할 수 있을까? 그리고 원리적으로 그것이 애초에 얼마나 잘 성공할 수 있을까?”

저자들이 인용한 핵스핀 분야의 사례는 얼마나 큰 이득을 얻을 수 있는지 보여준다. 최적화된 펄스는 이전의 기존 펄스에 비해 핵스핀을 약 10배 더 빠르게 반전시킬 수 있다. 이 비교는 이전 연구의 진전을 설명하는 것이며, 모든 스핀이나 장치에 대한 새로 측정된 평균 효과를 의미하지는 않는다.

분자와 원자도 제어할 수 있다

이러한 방법들은 이제 고전적인 핵스핀 실험을 훨씬 넘어 확장되었다. 거울상과 실상처럼 행동하는 두 가지 형태를 가진 카이랄 분자의 경우, 계산된 마이크로웨이브 펄스는 다른 형태를 크게 변경하지 않고 한 형태를 선택된 양자 상태로 전환할 수 있다. 그러한 구별은 미래에 두 분자 형태를 서로 목표에 맞게 분리하는 데 도움이 될 수 있다.

개별 원자에서도 최적화된 펄스 열은 까다로운 상태의 준비를 용이하게 할 수 있다. 과거 실험에서는 이를 통해 여러 원자 구성이 양자역학적 설명의 일부가 되는 비고전적 중첩 상태 등이 성공적으로 구현되었다. 이 특정한 상태에 대해서는 이전에 적절한 준비 절차가 없었다.

“이미 작동하는 절차를 개선하는 것은 유용하다.” 크리스티안 코흐 교수의 말이다. “하지만 이전에 그 누구도 준비할 수 없었던 상태를 생성할 수 있게 된다면 훨씬 더 흥미로워진다.”

이러한 사례들은 알려진 측정 또는 제어 기술의 단순한 개선과 이전에 접근할 수 없었던 상태의 개척 사이의 차이를 보여준다. 양자 컴퓨터의 경우, 유사한 방법들은 특히 양자 상태의 정밀한 준비와 변화 측면에서 흥미로울 것이다. 그러나 회고만으로는 보편적으로 적용 가능한 기술적 해결책이 도출되지 않는다.

정밀한 모델은 여전히 필수 조건

수학적 최적화에는 중요한 한계가 있다. 사용된 모델이 실제 양자 시스템의 특성을 충분히 정확하게 설명하고 실험 장치가 신중하게 보정된 경우에만 안정적으로 작동할 수 있다. 계산된 장과 실제 장 사이의 편차는 이전에 최적화된 펄스 열의 효력을 떨어뜨릴 수 있다.

따라서 저자들은 머신러닝과의 결합이 유망할 것으로 보고 있다. 학습 절차는 측정 데이터로부터 시스템에 대한 정보를 도출할 수 있는 반면, 물리적 최적화는 알려진 관계를 목표 지향적으로 활용한다. 그러나 양자 측정은 종종 비용이 많이 들고 제한된 양의 데이터만 제공하기 때문에, 학습이 물리적 모델을 단순 대체할 수는 없다.

“양자 측정은 복잡하고 비용이 많이 든다”며, “양자 물리과학은 빅데이터가 아니다. 그렇기 때문에 우리는 한쪽을 다른 쪽으로 대체하는 것이 아니라 두 접근 방식을 서로 결합해야 한다”고 크리스티안 코흐 교수는 강조했다.

이 개요는 본래 자기 공명을 위해 개발된 도구 상자가 어떻게 일반적인 양자 제어 방법으로 확장되었는지를 명확히 보여준다. 그러나 더 빠르고 더 견고한 양자 소자가 탄생할지 여부는 결국 모델의 정확성과 기술적 구현에 계속해서 달려 있다.

출처:
학술지 Science Advances 원논문 (DOI: 10.1126/sciadv.aeh1978)
베를린 자유대학교(Freie Universität Berlin) 공식 연구 발표 자료 

[더사이언스플러스 / 문광주 기자 helloscienceplus@gmail.com]

[저작권자ⓒ the SCIENCE plus. 무단전재-재배포 금지]