양자알고리즘
Quantum for AI: 양자컴퓨팅은 인공지능에 어떻게 쓰일까
데이터 표현, 유사도 계산, 최적화, 확률분포의 표본추출 등 인공지능을 구성하는 여러 계산에 활용될 수 있으며, 이를 위한 다양한 양자 알고리즘과 학습모형이 연구되고 있다. 현재 연구의 대부분은 인공지능 시스템 전체를 양자컴퓨터로 구현하기보다, 특정 계산을 양자적으로 수행할 때 이점이 생기는지를 밝히는 데 집중되어 있다. 장기적으로는 데이터의 표현과 저장, 모델의 학습과 추론, 그리고 최적화와 탐색를 포함한 계산 전반을 양자컴퓨터에서 수행하는 구조도 생각할 수 있다. 그러나 이러한 전면적인 양자 구현이 원리적으로 가능하다는 것과 실제로 효율적이라는 것은 별개의 문제다.
초기 양자 기계학습은 선형 방정식을 빠르게 푸는 양자 알고리즘을 서포트 벡터 머신과 주성분분석에 적용해 큰 이론적 속도 향상을 제시했다. 그러나 이러한 결과는 대규모 데이터를 양자 상태로 빠르게 준비하고, 긴 회로를 정확하게 실행하며, 양자 상태에 담긴 결과에서 필요한 정보만 효율적으로 읽을 수 있다는 강한 조건을 요구한다. 또한 두 방법 모두 기본적으로 선형 분류와 선형 차원축소를 다루므로, 데이터에 적합한 비선형 표현을 스스로 학습하는 현대 딥러닝과는 해결하려는 문제가 다르다.
현재의 양자 장치에서 실행할 수 있는 양자 신경망과 양자 커널은 긴 회로에 대한 의존을 줄이면서 비선형 함수를 표현할 수 있다. 하지만 양자 신경망은 매개변수가 늘어날수록 기울기 계산에 필요한 회로 실행 횟수가 증가하고, 양자 커널은 데이터 수가 커질수록 유사도 계산량이 빠르게 늘어난다. 따라서 기존 딥러닝을 같은 방식으로 더 빠르게 실행하기보다는, 양자 장치가 자연스럽게 만들어 내는 확률분포와 표본을 생성 모델에 활용하는 방향이 더 적합할 수 있다. 특히 볼츠만 머신처럼 복잡한 확률분포에서 표본을 반복해서 뽑아야 하는 에너지 기반 모델은 양자 어닐링과 직접 연결될 수 있다. 어느 경우에도 데이터 입력, 반복 측정과 고전 최적화를 포함한 전체 비용을 비교해야 실제 양자 이득을 판단할 수 있다.
.author_wrap .item2 { display: none; }
- 큐레이터 : 연세대학교 응용통계학과 박경덕
- 2026.10.20