양자 머신러닝
더 많은 작업
양자 머신러닝(Quantum Machine Learning, QML)은 큐비트의 중첩·얽힘·간섭 같은 양자역학적 성질을 이용하는 양자 컴퓨팅으로 기계 학습의 학습·추론을 수행하거나 가속하는 기술이다.
고전 컴퓨터의 비트는 0 또는 1 중 하나이지만 큐비트(qubit)는 0 과 1 의 중첩 상태를 가질 수 있고, n 개 큐비트는 2ⁿ 차원의 상태 공간을 표현한다. 큐비트끼리 얽힘을 만들면 고전적으로 표현하기 어려운 상관관계가 생긴다. 양자 머신러닝은 이 거대한 상태 공간(힐베르트 공간)을 특징 공간으로 쓰거나, 선형대수 연산을 양자 알고리즘으로 빠르게 처리해 기계 학습의 성능이나 효율을 높이려는 시도이다.
현재 양자 컴퓨터는 큐비트 수가 수십~수백 개 수준이고 잡음이 커서 오류 정정이 안 되는 NISQ(Noisy Intermediate-Scale Quantum) 단계이다. 그래서 실제 연구는 양자 회로와 고전 컴퓨터를 함께 쓰는 하이브리드 양자-고전 방식이 중심이다.
| 구분 | 데이터 | 처리 장치 | 예 |
|---|---|---|---|
| CC | 고전 | 고전 | 양자 영감(quantum-inspired) 알고리즘, 텐서 네트워크 |
| CQ | 고전 | 양자 | 이미지·금융 데이터를 양자 회로로 분류(일반적으로 말하는 QML) |
| QC | 양자 | 고전 | 양자 실험 결과를 고전 ML 로 분석, 양자 소자 제어 최적화 |
| 양자 | 양자 | 양자 센서·양자 시스템 상태를 양자 회로로 직접 학습 |
고전 데이터를 큐비트 상태로 옮기는 단계이다(양자 특징 맵).
- 기저 인코딩(Basis): 이진 데이터를 큐비트의 0/1 상태로 그대로 대응
- 각도 인코딩(Angle): 특징값을 큐비트 회전 게이트의 각도로 넣음. 특징 1개에 큐비트 1개
- 진폭 인코딩(Amplitude): 2ⁿ 개의 값을 n 개 큐비트의 진폭으로 넣음. 적은 큐비트로 많은 데이터를 담지만 상태 준비 회로가 깊어진다
변분 양자 회로(VQC, Variational Quantum Circuit) 또는 매개변수화 양자 회로(PQC)는 회전 각도를 학습 매개변수로 둔 양자 회로이다. 양자 회로가 결과를 측정해 손실을 계산하면, 고전 컴퓨터의 최적화기(경사 하강법 등)가 매개변수를 갱신하고 다시 회로를 실행한다. 신경망의 가중치 학습과 같은 구조여서 양자 신경망(QNN)이라고도 부른다.
| 알고리즘 | 내용 |
|---|---|
| 양자 서포트 벡터 머신(QSVM)·양자 커널 | 데이터를 양자 특징 맵으로 고차원 힐베르트 공간에 사상하고, 양자 회로로 커널(상태 간 내적)을 계산해 서포트 벡터 머신에 쓴다 |
| 양자 신경망(QNN)·변분 분류기 | 변분 양자 회로를 층처럼 쌓아 분류·회귀를 수행 |
| 양자 합성곱 신경망(QCNN) | 합성곱·풀링 구조를 양자 회로로 구현해 매개변수 수를 줄인다 |
| VQE(변분 양자 고유값 해법) | 해밀토니언의 최저 에너지를 변분 방식으로 찾는다. 분자 시뮬레이션에 쓴다 |
| QAOA(양자 근사 최적화 알고리즘) | 조합 최적화 문제를 변분 회로로 근사해서 푼다 |
| HHL 알고리즘 | 선형 연립방정식을 양자적으로 풀어 이론상 지수적 가속을 노린다. 결함 허용 양자 컴퓨터가 필요하다 |
| 양자 주성분 분석(qPCA) | 밀도 행렬의 고유값 분해로 주성분 분석을 수행 |
| 양자 생성 모델 | 양자 볼츠만 머신, 양자 GAN(QGAN), 양자 회로 본 머신(QCBM) |
| 그로버 탐색 기반 가속 | 비정렬 탐색을 제곱근 수준으로 줄여 최근접 이웃·군집화 일부 단계를 가속 |
IBM Qiskit(Qiskit Machine Learning), Google Cirq·TensorFlow Quantum, Xanadu PennyLane 등이 양자 회로를 고전 ML 프레임워크와 연결해 하이브리드 학습을 지원한다.
| 구분 | 기존(고전) 머신러닝 | 양자 머신러닝 |
|---|---|---|
| 정보 단위 | 비트(0 또는 1) | 큐비트(0 과 1 의 중첩) |
| 특징 공간 | 커널·신경망으로 만든 고차원 공간 | 큐비트 수에 따라 지수적으로 커지는 힐베르트 공간 |
| 연산 | 결정적 행렬 연산(GPU 병렬) | 유니터리 게이트 연산과 확률적 측정(반복 측정으로 기댓값 추정) |
| 학습 | 역전파로 기울기 계산 | 매개변수 이동 규칙 등으로 기울기 추정, 고전 최적화기와 병행 |
| 데이터 입력 | 메모리에 바로 적재 | 인코딩 회로가 필요해 병목이 될 수 있음 |
| 성숙도 | 상용화·대규모 데이터에 검증됨 | 연구 단계, 실용적 우위는 아직 입증 중 |
| 기대 분야 | 범용 | 양자화학·신소재, 최적화, 금융 위험 분석, 양자 데이터 처리 |
- 하드웨어 잡음: 결어긋남(decoherence)과 게이트 오류로 회로 깊이에 한계가 있다
- 불모 고원(Barren Plateau): 큐비트 수와 회로 깊이가 늘면 기울기가 거의 0 이 되어 학습이 멈춘다
- 데이터 적재 병목: 대량의 고전 데이터를 양자 상태로 옮기는 비용이 가속 효과를 상쇄할 수 있다
- 측정 비용: 결과가 확률적이어서 같은 회로를 많이 반복 실행해야 한다
- 양자 우위 불확실: 일부 알고리즘은 고전 알고리즘으로도 비슷한 속도를 낼 수 있음이 밝혀졌다(역양자화, dequantization)