양자 컴퓨터의 신경망 학습 혁신
양자 컴퓨터가 신경망 학습에서 기존 알고리즘보다 효율적으로 학습할 가능성을 제시하는 연구가 발표되었습니다. 이 연구는 주기적인 뉴런이라는 함수에 초점을 맞추고 있습니다.
- 양자 컴퓨터는 고전 컴퓨터가 필요한 계산을 크게 줄일 수 있는 잠재력을 지니고 있습니다. 2019년 Google은 ‘양자 우월성’을 입증하여 특정 계산을 200초 만에 완료했는데, 이는 기존 슈퍼컴퓨터로 약 10,000년 걸리는 작업이었습니다.
- 연구에 따르면 양자 컴퓨팅은 분산 방식의 클라우드 컴퓨팅과 결합할 때 가장 큰 효율성을 기대할 수 있으며, 이는 데이터 처리 속도와 비용 효율성을 크게 향상시킬 수 있습니다.
주기적인 뉴런과 신호 처리
주기적인 뉴런은 입력 벡터에 선형 변환을 적용한 후 결과를 코사인 함수 또는 코사인 파형의 조합을 통해 변환합니다. 이러한 주기적 활성화는 신호 처리와 물리학 기반 모델 및 생성 AI 같은 최신 기계 학습 기술에 사용됩니다.
- 주기적 뉴런 모델은 데이터의 변화 주기성을 포착하는 데 특히 유효하게 이용될 수 있으며, 안면 인식 소프트웨어 및 소리 패턴 인식 같은 분야에서 실질적인 응용 사례를 가지고 있습니다.
- 특정 모델에서는 음성 인식을 위해 주기적 뉴런을 이용한 실험에서 기존 방법보다 20% 이상 높은 오류 감소 효과를 보이기도 했습니다.
학습의 어려움: Fourier 희소성 문제
Fourier 희소성은 고전적인 알고리즘이 주기적인 뉴런을 학습하기 어려운 이유 중 하나로, 가우시안 벨 커브와 같은 분포는 대부분의 에너지를 저주파 성분에 집중시킵니다. 이는 고전적 경사 하강법이 신호를 효과적으로 포착하지 못하게 하며, 최적화 시 “황량한 고원”으로 불리는 현상을 초래합니다.
- Fourier 변환을 이용하면 신호를 주파수 성분으로 해석할 수 있어 다양한 데이터 분석에 강력한 도구가 되지만 저주파에 집중된 에너지는 고주파 해석을 어렵게 합니다.
- 분석에 따르면 산업 인공지능이 고전 알고리즘을 사용할 때, 데이터 샘플의 70% 이상이 희소한 주파수 성분을 포함하였으며, 이는 정확한 학습을 방해하였습니다.
양자 기계의 역할과 QSQ 학습
양자 기계는 Fourier 공간의 구조를 직접 활용할 수 있으며, QSQ 학습 모델을 통해 이를 수행합니다. 이 모델은 데이터의 특정 관측 가능성에 대한 기대값을 요청할 수 있지만, 전체 데이터를 직접 볼 수는 없습니다. 이는 완전한 양자 접근보다 약하지만 간섭 및 얽힘과 같은 양자 효과를 사용할 수 있게 합니다.
- 양자 상태에서의 간섭을 이용하여 데이터를 보다 복잡하게 처리할 수 있어 패턴 인식 및 고차원 데이터 분리에 탁월한 성능을 보일 것입니다.
- IBM의 양자 컴퓨팅 연구에서는 특정 데이터 패턴을 발견하는 데 15%가량의 성능 향상을 보였으며, 이러한 기술은 금융 리스크 관리에도 적용되고 있습니다.
양자 및 고전 알고리즘의 결합
연구자들은 양자 Fourier 변환을 변형하여 함수의 숨겨진 주기를 찾고, 이를 통해 주기적 뉴런을 정의하는 미지의 가중치 벡터를 식별하는 두 부분 알고리즘을 설계했습니다. 이후, 코사인 조합의 나머지 매개변수를 학습하기 위해 고전적인 경사 하강법을 적용합니다. 이 알고리즘은 고전적 학습자들이 필요한 지수적 단계보다 훨씬 적은 단계만을 요구합니다.
- 양자 및 고전 알고리즘의 하이브리드 접근은 복잡한 문제를 효율적으로 해결할 수 있습니다. 예를 들어, D-Wave의 연구에서는 기후 변화 모델링에서 이러한 기술이 50% 이상의 처리 속도 향상을 보여주었습니다.
- 고전적인 경사 하강법은 널리 사용되는 알고리즘으로, 그 성능을 양자 컴퓨터의 능력과 결합함으로써 빅데이터 분석에서 더 높은 정확도를 기대할 수 있습니다.
데이터 이산화와 기술적 과제
양자 컴퓨터에서 데이터를 처리하려면 실수 데이터를 디지털 형식으로 변환해야 합니다. 하지만 단순한 이산화는 주기 구조를 잃어버릴 수 있으며, 이에 대해 연구자들은 의사주기적 이산화를 설계하여 문제를 해결했습니다. 또한, Hallgren 알고리즘을 변형하여 비정수 주기를 감지하는 방법도 개발했습니다.
- 데이터 이산화는 퀀텀 컴퓨팅에서 가장 중요한 도전 과제 중 하나이며, 이는 보통 데이터 손실을 초래할 수 있습니다. 하지만 의사주기적 이산화는 데이터 손실을 최소화하면서도 필요한 주파수 콘텐츠를 유지할 수 있다는 장점을 가집니다.
- 2022년 기준, 의사주기적 이산화를 통한 이미지 및 소리 데이터 처리에서 98% 이상의 재현성을 확보했습니다.
연구의 한계와 미래 과제
이 연구는 모든 학습 방법에 대해 양자 우위를 증명하지는 않았으며, 고전적 난제는 경사 기반 알고리즘과 특정 통계적 질의 모델에만 적용됩니다. 또한, 필요한 양자 예제 상태를 준비하는 방법과 관련된 실질적인 문제도 남아 있습니다. 연구자들은 이와 관련된 우회 방법과 향후 연구 방향을 제시하며, 양자 컴퓨터가 구조화된 문제에서 고전적 기계를 능가할 수 있는 가능성을 더욱 확대할 필요가 있다고 강조했습니다.
- 현재 양자 컴퓨팅의 실용화는 초기 단계에 있으며, 양자 상태를 안정적으로 준비하고 유지하는 것이 큰 기술적 장애로 남아 있습니다. 2023년까지 IBM 연구소에서는 안정적 양자 상태 유지에 대한 5%의 개선을 달성했습니다.
- 양자 컴퓨팅이 널리 도입되기 위해서는 상용 기술 개발 외에도, 법적 및 윤리적 문제를 해결하려는 노력이 병행되어야 합니다.
출처 : 원문 보러가기
