PE Notes · AI
양자머신러닝 (QML)
큐비트의 중첩·얽힘을 학습에 쓰는 QML의 흐름과, 완전 양자·하이브리드 알고리즘, NISQ 시대의 한계를 고전 ML과 비교해 정리합니다.
데이터와 모델이 커질수록 고전 학습의 연산은 가파르게 늘어납니다. 은 의 중첩과 얽힘을 분류·군집·최적화에 붙여, 특정 선형대수·탐색 문제에서 고전 계산을 넘으려는 연구입니다. 지금은 실험실과 하이브리드 실증이 중심이고, 모든 과업에 바로 쓰는 대체재는 아닙니다.
핵심 개념과 처리 흐름
고전 비트는 0 또는 1입니다. 큐비트는 두 상태를 동시에 가질 수 있어, 이론상 병렬 폭이 달라집니다.
| 개념 | 한 줄 |
|---|---|
| 큐비트 | 양자 정보의 단위. 0과 1의 중첩을 담는다. |
| 여러 기저 상태를 동시에 가져, 병렬 계산의 여지가 생긴다. | |
| 큐비트 사이 상태가 묶여, 한 쪽 측정이 다른 쪽을 규정한다. | |
| 간섭 | 확률 진폭을 보강·상쇄해 원하는 답을 돋운다. |
| 양자 회로 | 큐비트에 게이트를 순서대로 얹는 계산 그래프. |
| 게이트 각도를 학습 파라미터로 두는 회로. 현재 QML의 실무 중심이다. |
처리 순서는 고정에 가깝습니다. 고전 특성은 양자 피처맵으로 인코딩되고, VQC가 변환한 뒤, 측정값이 고전 손실·최적화로 돌아갑니다. 학습 루프의 바깥은 여전히 CPU·GPU입니다.
| 비교축 | 고전 ML | QML |
|---|---|---|
| 연산 단위 | 비트 (0 또는 1) | 큐비트 (중첩·얽힘) |
| 병렬성 | 하드웨어 코어에 묶인다 | 중첩으로 이론적 지수 폭 |
| 선형대수 | 행렬 연산이 병목 | HHL 등에서 이론적 가속 |
| 하드웨어 | 성숙 | 초기, 노이즈가 큼 |
| 적용 | 즉시 | 제한적 (수십~수백 큐비트) |
| 대표 알고리즘 | SVM, 신경망, 경사하강 | QSVM, QNN, QAOA |
완전 양자와 하이브리드
알고리즘을 한 바구니에 넣지 않습니다. 회로를 끝까지 양자로 돌리는 쪽과, 고전 최적화와 양자 회로를 나누는 쪽이 있습니다.
| 갈래 | 대표 | 쓰는 자리 |
|---|---|---|
| 완전 양자 | HHL, qPCA, QSVM | 선형방정식, 주성분, 커널 계산의 이론 가속 |
| 하이브리드 | VQE, QAOA, QNN(PQC) | 고유값, 조합 최적화, 분류기. NISQ에서 현실적 |
적용 후보는 분자 시뮬레이션(신약), 포트폴리오 최적화(금융), 양자 경사로 학습을 돕는 실험입니다. 은 모든 벤치마크에서 나오지 않습니다. 문제의 수학 구조가 양자 회로와 맞을 때만 기댓값이 있습니다.
NISQ 한계와 로드맵
지금 기계는 (Noisy Intermediate-Scale Quantum)입니다. 큐비트 수가 적고, 디코히어런스로 오류가 빨리 쌓입니다.
| 제약 | 의미 |
|---|---|
| 노이즈·디코히어런스 | 게이트가 늘수록 결과가 흐려진다. |
| 큐비트 수 | 실용 모델 폭을 고전 데이터 규모에 맞추기 어렵다. |
| 오류 정정 미성숙 | 논리 큐비트 하나가 많은 물리 큐비트를 요구한다. |
| 이점의 편중 | 특정 구조의 문제에만 가속이 기대된다. |
단기에는 하이브리드 QML 실증, 중기에는 내결함 양자컴퓨터 위의 범용 회로, 장기에는 양자 초월 논의가 이어집니다. 답안에는 “지금은 VQC 하이브리드, 이점은 조건부로만”을 한 줄에 넣는 편이 안전합니다. 보안 쪽에서는 양자암호·내성암호와 같이 적는 그림이 자주 나옵니다.