양자 머신러닝 개념

Google의 양자 우월성 실험은 53개의 노이즈가 있는 큐비트(qubit)로, 기존 알고리즘을 사용하는 가장 고전적인 컴퓨터에서는 1만년이 걸리는 계산을 양자 컴퓨터에서 200초 만에 수행할 수 있음을 입증했습니다. 이는 노이즈가 있는 중간 규모 양자(NISQ) 컴퓨팅 시대의 시작을 의미합니다. 앞으로 수만에서 수백 개의 노이즈가 있는 큐비트를 가진 양자 기기가 현실이 될 것으로 예상됩니다.

양자 컴퓨팅

양자 컴퓨팅은 양자 역학의 속성에 의존하여 고전적인 컴퓨터로는 접근할 수 없는 문제를 계산합니다. 양자 컴퓨터는 큐비트를 사용합니다. 큐비트는 컴퓨터의 일반 비트와 비슷하지만 중첩되어 서로 얽힘을 공유하는 추가 기능이 있습니다.

고전적인 컴퓨터는 결정론적 고전 연산을 수행하거나 샘플링 메서드를 사용하여 확률적 과정을 에뮬레이트할 수 있습니다. 중첩과 얽힘을 활용함으로써, 양자 컴퓨터는 고전적인 컴퓨터로는 대규모로 에뮬레이션하기 어려운 양자 연산을 수행할 수 있습니다. NISQ 양자 컴퓨팅을 활용하기 위한 아이디어에는 최적화, 양자 시뮬레이션, 암호화 및 머신러닝이 포함됩니다.

양자 머신러닝

양자 머신러닝(QML)은 양자 데이터와 하이브리드 양자 고전 모델의 두 가지 개념을 기반으로 합니다.

양자 데이터

양자 데이터는 자연적 또는 인공적 양자 시스템에서 발생하는 모든 데이터 소스입니다. 이는 Google의 양자 우월성을 입증하기 위해 Sycamore 프로세서에서 수집한 샘플과 같이 양자 컴퓨터에서 생성된 데이터일 수 있습니다. 양자 데이터는 중첩과 얽힘을 나타내므로 표현하거나 저장하는 데 기하급수적인 양의 고전적인 계산 리소스가 필요할 수 있는 결합 확률 분포가 발생합니다. 양자 우월성 실험은 2^53 힐베르트 공간의 매우 복잡한 결합 확률 분포에서 샘플링하는 것이 가능함을 보여주었습니다.

NISQ 프로세서에 의해 생성된 양자 데이터는 노이즈가 있고 일반적으로 측정이 발생하기 직전에 얽혀 있습니다. 휴리스틱 머신러닝 기술은 노이즈가 있고 얽힌 데이터에서, 유용하고 고전적인 정보를 최대로 추출하는 모델을 만들 수 있습니다. TensorFlow Quantum(TFQ) 라이브러리는 양자 데이터의 상관 관계를 풀고 일반화하는 모델을 개발하는 기본 형식을 제공하여, 기존 양자 알고리즘을 개선하거나 새로운 양자 알고리즘을 발견할 수 있는 기회를 제공합니다.

다음은 양자 기기에서 생성하거나 시뮬레이션할 수 있는 양자 데이터의 예입니다.

  • 화학 시뮬레이션 — 재료 과학, 계산 화학, 계산 생물학 및 신약 개발에 대한 잠재적인 응용 분야를 통해 화학 구조 및 역학에 대한 정보를 추출합니다.
  • 양자 물질 시뮬레이션 — 다체 양자 효과를 나타내는 고온 초전도 또는 기타 이국적인 물질 상태를 모델링하고 설계합니다.
  • 양자 제어 — 하이브리드 양자 고전 모델은 최적의 개방 또는 폐쇄 루프 제어, 교정 및 오류 완화를 수행하도록 다양하게 훈련될 수 있습니다. 여기에는 양자 기기 및 양자 프로세서에 대한 오류 감지 및 수정 전략이 포함됩니다.
  • 양자 통신 네트워크 — 구조화된 양자 중계기, 양자 수신기 및 정제 장치의 설계 및 구성에 적용하여 머신러닝으로 비직교 양자 상태를 구별합니다.
  • 양자 계측 — 양자 감지 및 양자 이미징과 같은 양자 강화 고정밀 측정은 본질적으로 소규모 양자 기기인 프로브에서 수행되며, 다양한 양자 모델로 설계하거나 개선할 수 있습니다.

하이브리드 양자 고전 모델

양자 모델은 양자 역학적 기원을 가진 데이터를 표현하고 일반화할 수 있습니다. 단기 양자 프로세서는 여전히 상당히 작고 노이즈가 있으므로 양자 모델은 양자 프로세서만 사용하여 양자 데이터를 일반화할 수 없습니다. NISQ 프로세서는 기존의 보조 프로세서와 함께 작동해야 효과적입니다. TensorFlow는 이미 CPU, GPU 및 TPU에서 이기종 컴퓨팅을 지원하므로, 하이브리드 양자 고전 알고리즘을 실험하기 위한 기본 플랫폼으로 사용됩니다.

양자 신경망(QNN)은 양자 컴퓨터에서 가장 잘 실행되는 매개변수가 있는 양자 계산 모델을 설명하는 데 사용됩니다. 이 용어는 종종 매개변수가 있는 양자 회로(PQC)와 호환됩니다.

연구

NISQ 시대에는 쇼어(Shor)의 인수 분해 알고리즘이나 그로버(Grover)의 검색 알고리즘과 같은 기존 알고리즘보다 속도가 빠르다고 알려진 양자 알고리즘이 아직 의미 있는 규모로 가능하지 않습니다.

TensorFlow Quantum의 목표는 NISQ 시대의 알고리즘을 발견하는 데 있으며, 특히 다음에 관심을 둡니다.

  1. 고전적인 머신러닝을 사용하여 NISQ 알고리즘을 향상합니다. 고전적인 머신러닝의 기술이 양자 컴퓨팅에 대한 이해를 향상할 수 있다는 사실이 희망적입니다. 고전적인 순환 신경망을 통한 양자 신경망의 메타 학습에서는 순환 신경망(RNN)을 사용하여 QAOA 및 VQE와 같은 알고리즘에 대한 제어 매개변수의 최적화가 단순한 기성의 옵티마이저보다 더 효율적임을 알 수 있습니다. 또한 양자 제어를 위한 머신러닝은 강화 학습을 사용하여 오류를 줄이고 고품질 양자 게이트를 생성합니다.
  2. 양자 회로를 사용하여 양자 데이터를 모델링합니다. 데이터 소스에 대한 정확한 설명이 있으면 고전적으로 양자 데이터를 모델링할 수 있지만 때로는 모델링이 불가능합니다. 이 문제를 해결하기 위해 양자 컴퓨터 자체에서 모델링을 시도하고 중요한 통계를 측정/관찰할 수 있습니다. 양자 컨볼루셔널 신경망은 물질의 여러 위상을 감지하기 위해 컨볼루셔널 신경망(CNN)과 유사한 구조로 설계된 양자 회로를 보여줍니다. 양자 컴퓨터는 데이터와 모델을 보유합니다. 고전적인 프로세서는 모델 출력의 측정 샘플만 보고 데이터 자체는 보지 않습니다. 노이즈가 있는 양자 컴퓨터의 강력한 얽힘 재정규화에서 저자는 DMERA 모델을 사용하여 양자 다체 시스템에 대한 정보를 압축하는 방법을 배웁니다.

양자 머신러닝에서 다뤄지는 기타 관심 분야는 다음과 같습니다.