양자 신경망, 양자 컴퓨터 학습 및 예측 훈련 새 방법
과학자들이 양자 기계학습 모델인 양자 신경망(QNN)이 양자 시스템 동작을 학습하고 예측하는 데 몇 가지 간단한 예만으로도 충분함을 밝혔다.
미래 양자 컴퓨터는 양자 역학의 신비를 풀고 복잡한 물질의 거동을 연구하거나 분자의 복잡한 동역학을 전례 없는 정확도로 시뮬레이션할 수 있다.
EPFL의 Zoe Holmes 교수 연구팀은 베를린 자유대학교(Free University of Berlin), 칼텍(Caltech), 로스 알라모스 국립 연구소(Los Alamos National Laboratory)의 연구원들과 협력하여 그들은 양자 시스템의 동작을 이해하고 예측하는 방법을 양자 컴퓨터에 훈련하는 새로운 방법을 찾았다.
연구원들은 양자 시스템의 동작을 모방하기 위해 양자 역학에서 영감을 받은 원리를 사용하여 정보를 학습하고 처리하도록 설계된 일종의 기계 학습 모델인 “양자 신경망(QNN)”에 대해 연구했다.
인공 지능에 사용되는 신경망과 마찬가지로 QNN은 계산을 수행하는 상호 연결된 노드 또는 “뉴런”으로 구성된다. 차이점은 QNN에서 뉴런은 양자 역학의 원리에 따라 작동하여 양자 정보를 처리하고 조작할 수 있다는 것이다.
홈즈는 “일반적으로 컴퓨터에게 무언가를 가르칠 때 많은 예가 필요하다. 그러나 이 연구에서 우리는 ‘제품 상태’라고 하는 몇 가지 간단한 예만으로 컴퓨터가 더 복잡하고 이해하기 어려운 얽힌 상태를 처리할 때에도 양자 시스템이 어떻게 작동하는지 배울 수 있음을 보여준다”고 말했다.
과학자들이 사용한 “제품 상태(Product states)”는 양자 시스템에 대한 특정 유형의 상태를 설명하는 양자 역학의 개념을 나타낸다. 예를 들어, 양자 시스템이 두 개의 전자로 구성되어 있다면 각 개별 전자의 상태를 독립적으로 고려한 다음 결합할 때 제품 상태가 형성된다.
제품 상태는 양자 시스템의 동작을 연구하고 이해하기 위한 더 간단하고 관리하기 쉬운 프레임워크를 제공하기 때문에 양자 계산 및 측정의 시작점으로 자주 사용됩니다. 독립적으로 기술한다.
연구원들은 이러한 간단한 예 중 몇 가지만 사용하여 QNN을 훈련함으로써 컴퓨터가 얽힌 양자 시스템의 복잡한 역학을 효과적으로 파악할 수 있음을 입증했다.
Holmes는 “이는 [우리가] 양자 시스템 대신에 앞으로 몇 년 안에 갖게 될 단기 중개 규모[NISQ] 컴퓨터와 같이 더 작고 단순한 컴퓨터를 사용하여 양자 시스템에 대해 배우고 이해할 수 있음을 의미한다. 수십 년이 걸릴 수도 있는 크고 복잡한 것들이 필요하다”고 설명했다.
이 작업은 또한 양자 컴퓨터를 사용하여 복잡한 신소재 연구 또는 분자 거동 시뮬레이션과 같은 중요한 문제를 해결할 수 있는 새로운 가능성을 열어준다.
이 방법은 더 짧고 오류 방지 프로그램을 생성, 양자 컴퓨터 성능을 개선하는데도 기여할 수 있다. 양자 시스템 작동 방식 학습으로 양자 컴퓨터 프로그래밍을 간소화해 효율성과 안정성 향상이 가능하다.
Holmes는 “우리는 프로그램을 더 짧게 만들고 오류 발생 가능성을 줄임으로써 양자 컴퓨터를 더욱 향상시킬 수 있다”고 말했다.
이 연구는 Nature Communications에 게재됐다.





![[분석] 美 해군 차세대 공격원잠 SSN(X) ‘수중 드론 모함’ 진화](https://scimonitors.com/wp-content/uploads/2026/11/SSNX-min-150x150.jpg)

