Quantum Machine Learning을 “Quantum”하게 만드는 것은 무엇인가?

Source: Towards Data Science

소개

저는 석사 학위를 마친 직후 7년 전에 양자 컴퓨팅 분야에서 일을 시작했습니다. 그때는 이 분야가 흥분과 동시에 회의론으로 떠들썩했습니다. 오늘날 양자 컴퓨팅은 고성능 컴퓨팅(HPC) 및 **인공지능(AI)**과 함께 신흥 기술로 자리 잡고 있습니다.

초점은 순수히 하드웨어 중심의 연구에서 응용, 소프트웨어 및 알고리즘으로 이동했습니다. 양자 컴퓨터는 이제 고립된 틈새가 아니라 다양한 분야에서 활용될 수 있는 도구로 인식됩니다. 양자 컴퓨터의 가장 유망하지만 아직 완전히 이해되지 않은 활용 중 하나는 **양자 머신러닝(QML)**입니다.

양자 머신러닝이란?

Quantum machine learning은 지난 몇 년간 포괄적인 용어가 되었습니다. 역사적인 이정표 중 하나는 2013년 Google과 NASA가 설립한 Quantum Artificial Intelligence Lab의 출범으로, 양자 컴퓨터를 머신러닝에 어떻게 활용할 수 있을지 탐구하는 것이 목표였습니다. 그 이후로 “QML”은 연구 논문, 스타트업 피치, 컨퍼런스 발표 등에서 등장했으며, 의미는 매우 다양합니다.

심지어 양자 컴퓨팅 연구자라도 처음엔 혼란스러웠습니다. 흔히 처음에 떠오르는 질문은:

양자 머신러닝을 양자하게 만드는 정확한 요소는 무엇인가요?

핵심 답변

짧게 말하면 속도, 신경망, 혹은 모호한 “양자 우위”에 대한 언급이 아닙니다.
핵심적으로, 양자 머신러닝은 정보가 어떻게 표현되고, 변환되며, 읽히는가에 의해 정의됩니다—고전적 계산이 아니라 양자역학의 규칙을 사용한다는 점에서 말이죠.

이 시리즈에서 기대할 내용

이 글의 목표는:

1. 진정한 양자 접근법과 과대광고 사이의 구분을 명확히 합니다.
2. 시리즈 전체를 위한 깨끗한 개념적 기반을 제공합니다.
3. QML의 전설과 단기 연구 결과 및 응용을 탐구합니다.

양자 머신러닝의 진화하는 풍경을 형성하는 이론, 알고리즘, 실용적인 실험에 대한 심층 탐구를 기대해 주세요.

양자 이전의 머신 러닝

양자화된 접근을 하기 전에 한 걸음 물러서 보자. 현대적인 장식들을 벗겨내면, 머신 러닝은 데이터를 사용해 입력과 출력 사이의 매핑을 학습하는 것이다. 모델이 선형 회귀, 커널 방법, 혹은 심층 신경망이든 구조는 대체로 동일하다:

• Data는 수치적으로 표현된다(벡터, 행렬, 텐서).
• Parameterized model은 그 데이터를 변환한다.
• Parameters는 비용 함수를 최적화함으로써 조정된다.
• Model은 새로운 샘플에 대해 통계적으로 평가된다.

신경망, GPU, 방대한 데이터셋은 구현 선택일 뿐, 정의적 특징이 아니다. 이 추상화는 다음과 같은 정확한 질문을 할 수 있게 해준다:

데이터와 모델이 양자 공간에 존재할 때 무엇이 달라지는가?

Quantum Mechanics Enters

Quantum machine learning (QML) becomes “quantum” when quantum information is the computational substrate. This manifests in three distinct ways.

1. Data Is Represented as Quantum States

• Classical ML: data → bits or floating‑point numbers.
• QML: data → quantum states (complex vectors) described by density matrices; transformations are unitary matrices.

• Information is encoded in complex‑valued amplitudes rather than classical probabilities.
• States can exist in superposition.

Note: This does not mean that every classical dataset is automatically exponentially compressed or easily accessible. Loading data into quantum states is often costly, and extracting information is fundamentally limited by measurement.

Key point: The model operates on quantum states, not on classical numbers.

2. Models Are Quantum Evolutions

• Classical ML: apply deterministic functions to data.
• QML: apply quantum operations (typically unitary transformations) to quantum channels.

In practice, most QML models are built from parameterized quantum circuits—sequences of quantum gates whose parameters are tuned during training, analogous to adjusting weights in a neural network.

• The system starts in a state described by a matrix (often a Hamiltonian).
• The applied gates dictate how the system evolves over time, which defines the model’s behavior.

Consequently, quantum models explore a hypothesis space that is structurally different from that of classical models, even when the training loop looks similar on the surface.

3. Measurement Is Part of the Learning Process

• Classical ML: reading a model’s output is trivial and does not affect the model.
• QML: measurement is probabilistic and destructive; it collapses the quantum state.

• Outputs are obtained by repeated circuit executions called shots (running the same circuit many times to estimate probabilities).
• Gradients are estimated statistically from these measurements rather than computed exactly, so training cost is often dominated by sampling noise rather than raw computation.

Bottom line: Uncertainty is built into the model itself. Any serious discussion of QML must account for the fact that learning happens through measurement, not after it.

Source: …

QML이 양자라고 할 수 없는 경우

양자 컴퓨팅—특히 양자 머신 러닝(QML)—은 종종 과대광고와 오해를 낳습니다. “양자”라는 라벨이 붙어 있지만 실제로는 양자적 의미가 전혀 없는 접근법이 많이 있습니다. 전형적인 예는 다음과 같습니다:

• 양자 하드웨어에서 실행되는 고전적 ML 알고리즘으로, 양자 상태를 실질적으로 활용하지 않음.
• “양자 영감”(Quantum‑inspired) 방법으로 완전히 고전적인 방식.
• 하이브리드 파이프라인에서 양자 구성 요소를 제거해도 모델의 동작이나 성능에 영향을 주지 않음.

빠른 테스트

QML 모델에 대한 주장을 접했을 때 그 모델이 실제로 얼마나 양자인지 확신이 서지 않으면 다음과 같이 물어보세요:

“양자 부분을 고전적인 것으로 교체해도 모델의 수학적 구조가 변하지 않을까요?”

• 예 (또는 “아마도”) → 해당 접근법은 근본적으로 양자적이지 않을 가능성이 높습니다.
• 아니오 → 그 방법은 실제 양자 특성을 활용하고 있을 가능성이 큽니다.

비양자적 접근법도 유용할 수 있지만, 이는 양자 머신 러닝의 핵심 영역 밖에 해당합니다.

QML은 오늘 어디에 있나요?

양자 컴퓨팅을 논의할 때 현재 하드웨어는 노이즈가 많고, 규모가 작으며, 자원 제한이 있다는 점을 기억하십시오. 따라서:

• 오늘날 머신러닝 작업에 대한 일반적인, 입증된 양자 이점은 없다.
• 많은 QML 모델은 딥 뉴럴 네트워크보다 커널 방법에 더 가깝다.
• 데이터 로딩과 노이즈가 성능을 지배하는 경우가 많다.

이것은 분야의 실패가 아니라; 양자 컴퓨팅의 현재 상태를 반영한다. 대부분의 QML 연구는 이제 탐색 단계에 있다: 모델 클래스 매핑, 양자 학습 이론 이해, 그리고 양자 구조가 이점을 제공할 수 있는 지점을 찾는 것이다.

양자 머신러닝을 계속 연구해야 하는 이유

단기적인 속도 향상이 어려워도 왜 QML을 추구해야 할까?

• 근본적인 통찰 – QML은 머신러닝과 양자 컴퓨팅 모두에 대한 기본적인 질문들을 재고하게 만든다.
• 양자 데이터에 대한 학습 정의 – 양자 데이터로부터 학습한다는 것이 정확히 무엇을 의미하는지, 노이즈가 최적화에 어떻게 영향을 미치는지, 그리고 양자 시스템에 존재하지만 고전적 대응이 없는 모델 클래스는 무엇인지 답해야 한다.

더 넓은 관점

양자 머신러닝은 오늘날 고전 ML을 능가하는 것보다 양자 세계에서 “학습”이 의미할 수 있는 영역을 확장하는 데 더 초점이 있다.

• 과학적 진보 – 새로운 접근법은 종종 돌파구를 만들며, 지금 QML을 탐구하는 것은 미래 하드웨어 발전에 대비하는 것이다.
• 미래 대비 – 현재 하드웨어가 준비되지 않았더라도, 오늘 개발하는 개념, 알고리즘, 이론은 기술이 따라잡을 때 바로 활용될 수 있다.

Source: …

최종 생각 및 다음 단계

양자 컴퓨팅의 발전은 가속화되고 있습니다. 하드웨어 기업들은 양자 역학의 전체 힘을 활용할 수 있는 오류‑내성 양자 컴퓨터, 즉 포괄적인 양자 컴퓨터를 구축하기 위해 경쟁하고 있습니다. 한편, 소프트웨어 및 애플리케이션 기업들은 양자 컴퓨팅이 실질적으로 해결할 수 있는 문제들을 탐구하고 있습니다.

그렇지만 현재의 양자 컴퓨터는 거의 실생활 규모의 애플리케이션은 물론 복잡한 머신‑러닝 모델조차 실행할 수 없습니다. 그럼에도 불구하고 머신‑러닝에서 양자 컴퓨팅 효율성에 대한 기대는 흥미롭고, 하드웨어 발전과 병행하여 지금 바로 탐구해볼 가치가 있습니다.

이 글에서는 양자 머신‑러닝의 정의와 경계를 다루어, 앞으로 다음과 같은 주제를 탐구할 수 있는 기반을 마련했습니다.

• 고전 데이터를 양자 상태에 어떻게 임베딩하는가.
• 변분 양자 모델과 그 한계.
• 양자 커널 및 특징 공간.
• 잡음이 많은 양자 시스템에서의 최적화 과제.
• 양자 우위가 실현될 수 있는 가능성 있는 영역.

양자 머신‑러닝이 유용한지 여부를 묻기 전에, 그것이 실제로 무엇인지 명확히 해야 합니다. 과대광고에서 한 걸음 물러설수록, 진정한 진보에 더 가까워질 수 있습니다.