양자 AI 확장 위한 획기적 돌파구

양자 컴퓨터에서 실행되는 컨볼루셔널 신경망(Convolutional neural networks)은 확장성만 보장된다면 고전 컴퓨터보다 양자 데이터를 더 잘 분석할 수 있다.

LANL(Los Alamos National Laboratory) 양자 컴퓨팅, 양자 기계 학습 및 양자 정보 전문 물리학자 Marco Cerezo 연구팀은 특수한 유형의 양자 신경망에 대한 장애물로 여겨졌던 ‘불모의 고원(barren plateaus)’이 없다는 것을 증명했다.

연구는 Physical Review X에 15일(현지시각) 게재됐다.

인공 지능(AI) 방법론으로서 양자 컨볼루션 신경망은 시각 피질에서 영감을 받았다. 따라서 데이터 세트의 중요한 기능을 유지하면서 데이터 차원을 줄이는 풀링 레이어와 인터리브된 일련의 컨볼루션 레이어 또는 필터가 포함된다.

이러한 신경망은 이미지 인식에서 재료 발견에 이르기까지 다양한 문제를 해결하는 데 사용할 수 있다. 확장성 한계를 극복하는 것은 AI 애플리케이션에서 양자 컴퓨터의 잠재력을 최대한 끌어내고 고전 컴퓨터에 비해 양자 컴퓨터의 우수성을 입증하는 열쇠다.

논문 공동 저자인 Cerezo는 지금까지 양자 머신 러닝(quantum machine learning) 연구원들이 ‘불모의 고원’ 영향을 완화하는 방법을 분석했지만 완전히 피할 수 있는 이론적 근거가 부족했다고 말했다. Los Alamos 연구는 일부 양자 신경망이 실제로 어떻게 불모의 고원에 영향을 받지 않는지 보여준다.

LANL 양자 물리학자 Patrick Coles는 “이 보증을 통해 연구자들은 이제 양자 시스템에 대한 양자 컴퓨터 데이터를 살펴보고 그 정보를 재료 특성 연구 또는 새로운 재료 발견에 사용할 수 있게 될 것”이라고 말했다.

공동 저자 Coles는 연구자들이 단기 양자 컴퓨터를 더 자주 사용하고 점점 더 많은 데이터를 생성함에 따라 양자 AI 알고리즘에 대한 더 많은 응용 프로그램이 나타날 것으로 기대했다. 모든 기계 학습 프로그램은 데이터를 많이 사용한다.

Cerezo는 “불모의 고원이 있으면 양자 속도 향상이나 이점에 대한 모든 희망을 잃게 된다”고 말했다.

문제의 핵심은 최적화 환경에서 “사라지는 기울기(vanishing gradient)”다. 풍경은 언덕과 계곡으로 구성되며, 목표는 풍경의 지리를 탐색하여 솔루션을 찾기 위해 모델의 매개변수를 훈련하는 것이다. 솔루션은 일반적으로 가장 낮은 계곡의 바닥에 있다. 그러나 평평한 풍경에서는 어느 방향으로 가야 할지 결정하기 어렵기 때문에 매개변수를 훈련할 수 없다.

이 문제는 데이터 기능의 수가 증가할 때 특히 관련이 있다. 실제로 풍경은 지형지물 크기에 따라 기하급수적으로 평평해진다. 따라서 불모의 고원이 있는 상태에서는 양자 신경망을 확장할 수 없다.

Los Alamos 팀은 양자 신경망 내 스케일링을 분석하고 훈련 가능성을 입증하기 위한 새로운 그래픽 접근 방식을 개발했다.

40년 이상 동안 물리학자들은 양자 컴퓨터가 기존의 고전 컴퓨터로는 어려웠던 입자의 양자 시스템을 시뮬레이션하고 이해하는 데 유용할 것이라고 생각했다. Los Alamos 연구에서 강력함을 입증한 양자 컨볼루션 신경망의 유형은 양자 시뮬레이션의 데이터를 분석하는 데 유용한 응용 프로그램이 될 것으로 기대된다.

온도, 압력 및 이러한 물질의 불순물에 의해 영향을 받는 물질의 많은 상(phase)에 대한 데이터를 분석하고 상을 분류하는 것은 기존 컴퓨터의 기능을 초월하는 거대한 작업이다.

확장 가능한 양자 신경망을 사용하여 양자 컴퓨터는 주어진 물질의 다양한 상태에 대한 방대한 데이터 세트를 선별하고 이러한 상태를 위상과 연관시켜 고온 초전도에 대한 최적의 상태를 식별할 수 있다.