머신러닝 : Quantum AI :Quantum Computing 설명, 개요

양자 기계 학습과 현재의 과제, 기회, 평가 및 적시성 또는 성숙도에 대해 더 자세히 알게 될 것입니다.

 

 

머신러닝 : Quantum AI :Quantum Computing 설명, 개요

 

 

QML이란

양자 기계 학습은 양자 물리학과 기계 학습을 결합한 연구 분야입니다. 기계 학습 알고리즘의 효율성과 효과를 향상시키기 위해 빠르고 복잡한 계산에 대한 양자 컴퓨팅의 잠재력을 사용합니다. 이는 데이터 처리 속도를 높이고 데이터의 새로운 통찰력을 잠재적으로 밝힐 수 있습니다.

 

 

 QML의 과제

데이터 인코딩 체계: 양자 기계 학습 모델에 대한 입력으로 사용하기 위해 양자 상태로 변환해야 하는 많은 고전적인 데이터가 있습니다. 이 단계는 정확한 데이터 인코딩 체계가 양자 상태가 진폭, 기저 또는 회전으로 Bloch 구에서 적절하게 표현되도록 보장하기 때문에 중요합니다.

QML 모델 설계: 데이터의 잠재 패턴을 학습하고 이로부터 유용한 정보를 추출하는 매개 변수화 양자 회로(PQC) 설계로 구성됩니다. 일반적으로 파울리 회전 게이트는 PQC를 구축하는 데 사용됩니다. 그러나 회로의 일반성을 높이기 위해서는 더 나은 하이브리드 양자 고전적 아키텍처를 식별해야 합니다.

양자 학습의 기본 단위: 고전적인 기계 학습에는 모든 입력의 가중 평균을 계산하고 출력으로 단일 수치를 주는 뉴런으로 알려진 계산의 기본 단위가 있습니다. 양자 뉴런이라고 불리는 비슷한 계산 단위가 필요한데, 이것은 본질적으로 계산을 수행하기 위해 양자 역학 특성을 사용합니다.

양자 하드웨어 제한: 오늘날 사용할 수 있는 양자 컴퓨터는 NISQ(소음 중간 규모 양자) 시대에 있습니다. 이는 몇 백 개의 시끄러운 큐비트가 특정 깊이까지만 양자 회로를 실행할 수 있고 정확한 결과를 제공하지 않는다는 것을 의미합니다. 또한 정보를 유지하는 능력이 제한적이라는 것을 암시합니다.

양자 자원 관리: NISQ 시대로 인해 실행할 수 있는 양자 게이트의 수에 제한이 있으며, 이는 더 큰 깊이 회로가 더 큰 노이즈 결과를 가질 것임을 나타냅니다. 또한, 결함 허용 큐비트 및 양자 게이트를 구축하는 것도 또 다른 과제입니다.

표준화된 평가 및 벤치마킹: QML 연구가 빠르게 진전됨에 따라 이 새로운 분야에서 표준화가 이루어질 수 있도록 모델, 최적화자, 비용 함수 및 아키텍처에 대한 벤치마크를 설정하는 것이 중요합니다. 이는 다양한 데이터 세트에 대한 다양한 QML 알고리즘/모델을 평가하고 비교하는 과정에 도움이 될 것입니다.

 

 

QML 기회

데이터 인코딩 체계: 양자 상태 벡터를 정확하게 표현하기 위해 효율적이고 최적의 데이터 인코딩 기술이 검색되어야 합니다. 예를 들어, 변형 인코딩 체계는 접근법 중 하나가 될 수 있습니다. 다른 예는 주어진 문제에 기초하여 인코딩 시스템을 설계하는 것일 수 있습니다. 양자 화학 계산을 위한 분자 구조의 본질을 포착하기 때문에 그래프 네트워크를 사용하여 분자를 인코딩하는 것일 수 있습니다.

QML 모델 설계: 효율적인 안사츠 설계를 위한 양자 회로 아키텍처를 개발하고 문제별 응용 프로그램에 맞게 조정하는 데 큰 잠재력이 있습니다. 연구 방법 중 하나는 문제 크기에 따라 폭과 깊이를 변경할 수 있는 적응적 안사츠 설계를 탐구하는 것입니다. 화학에 사용되는 적응적 VQE가 있지만 다른 영역에도 더 많은 종류의 기술이 필요합니다.

양자 학습의 기본 단위: 양자 특성을 활용하여 뉴런을 효율적으로 구성하기 위한 작업은 거의 수행되지 않았습니다. 양자 복잡성 이론은 이 문제를 해결하기 위해 자세히 연구될 수 있습니다. 양자 회로의 복잡성을 측정하고 심지어 최적의 안사츠를 검색하는 도구와 기술을 제공합니다. 또한 양자 계산에 더 적합한 재료를 검색하기 위해 응축된 물질 물리학 이론을 사용하여 새로운 아키텍처를 구성할 수 있습니다.

양자 하드웨어 제한: 현재 초전도, 포토닉, 이온 트랩, 스핀 기반 및 위상학과 같은 여러 큐비트 양식을 양자 계산 실행에 사용할 수 있으며, 각 양식이 제기하는 과제를 해결하기 위해 중요한 연구가 수행되고 있습니다. 그러나 어떤 양식이 보편적이고 모든 응용 프로그램에 적합한지는 여전히 미정입니다. 또한 특정 응용 프로그램에 대한 다른 하드웨어 호환성을 설명할 수 있는 표준 벤치마크가 존재하지 않습니다.

양자 자원 관리: 전 세계의 여러 연구 그룹이 NISQ 장치에 대한 회로 깊이를 줄이기 위해 새로운 회로 감소 및 최적화 전략을 정의하기 위해 그룹 이론 및 링 이론과 같은 추상적인 수학 분야에서 영감을 얻고 있습니다. 또한 자원을 최적화하기 위해 더 나은 양자 오류 수정 체계와 내결함 절차가 필요합니다.

표준화된 평가 및 벤치마킹: 문제 설명, 알고리즘 구현, 하드웨어 플랫폼 및 평가 메트릭에 대한 지침을 포함하는 양자 기계 학습 알고리즘을 평가하기 위한 표준화된 프레임워크 개발. 정확성, 교육 시간, 리소스 사용 및 노이즈에 대한 견고성을 고려한 다양한 벤치마크 데이터셋을 생성하고 평가 메트릭을 정의합니다.

 

 

QML 평가

양자 복잡성 이론: QML 알고리즘을 평가하기 위해 양자 복잡성 이론을 적용하는 것은 큐비트의 수, 양자 회로의 깊이와 복잡성, 양자 게이트의 수와 같은 필요한 양자 자원의 측면에서 이러한 알고리듬의 효율성을 평가하는 것을 포함합니다. 이 분석은 실제 문제를 해결하기 위한 QML 알고리듬의 확장성과 실현 가능성에 대한 가치 있는 통찰력을 제공할 수 있습니다.

노이즈 및 오류에 대한 견고성: 현재 양자 하드웨어에서 일반적인 노이즈 및 오류가 있는 경우 알고리듬의 성능을 평가합니다. 성공적인 QML 알고리듬은 성능을 유지하거나 오류 수정 메커니즘을 제공하여 이러한 불완전성에 대한 복원력을 입증해야 합니다.

자원 효율성: 큐비트 수, 양자 게이트 수 및 회로 깊이와 같은 필요한 양자 자원 측면에서 알고리즘의 효율성을 평가합니다. 성공적인 QML 알고리즘은 단기 및 미래의 양자 하드웨어에 구현할 수 있도록 자원 요구 사항을 최소화해야 합니다.

정확도: 지도 및 비지도 학습 과제의 경우 예측 또는 분류 정확도가 중요합니다. 정확도가 높을수록 QML 알고리즘이 더 잘 수행됩니다. QML 알고리즘의 정확도를 고전적인 상대와 비교하여 잠재적인 이점을 평가하는 것이 필수적입니다.

훈련 및 추론 시간: QML 알고리즘을 사용하여 훈련 및 추론에 필요한 시간을 평가합니다. 더 빠른 훈련 및 추론 시간은 특히 대규모 문제 또는 실시간 응용의 경우 고전적 알고리즘에 비해 경쟁 우위를 제공할 수 있습니다.

확장성: 문제 또는 데이터 세트의 크기와 관련하여 알고리즘의 확장성을 평가합니다. 성공적인 QML 알고리즘은 사용 가능한 양자 하드웨어의 한계를 고려할 때 문제 크기가 증가할 때 성능을 유지해야 합니다. 

 

 

QML의 적시성 또는 성숙도

최근 IBM, Google, Rigetti 등의 기업이 점점 더 강력한 양자 프로세서를 개발하는 등 양자 하드웨어의 발전과 QAOA, VQE와 같은 하이브리드 양자 고전 알고리듬의 개발로 인해 양자 기계 학습이 견인력을 얻고 있습니다. 양자 복잡성 이론 및 양자 오류 수정과 같은 양자 컴퓨팅의 이론적 기반에 대한 이해의 이론적 발전은 보다 효율적이고 강력한 QML 알고리듬을 설계하고 학제 간 연구를 증가시킬 수 있는 기반을 마련했습니다. 고전 컴퓨팅의 데이터 복잡성 및 한계 증가도 QML의 적시성에 기여합니다.

QML의 성공은 발견을 가속화할 수 있으며 약물 개발, 재료 과학 및 기후 모델링과 같은 분야에서 발견 프로세스를 잠재적으로 가속화하여 더 빠른 혁신 및 문제 해결을 가능하게 할 수 있습니다. 또한 최적화를 향상시키고 AI 기능, 새로운 알고리즘 패러다임을 개선하며 상당한 경제 및 사회적 영향을 미칠 수 있습니다.