양자 기계 학습 알고리즘 향상

양자 컴퓨팅은 고전 컴퓨터가 불가능한 연산을 수행, 미래의 강력한 컴퓨팅 도구로 주목받고 있다.

미국 플로리다 주립 대학(FAMU-FSU) 공대 William Oates와 박사후 연구원 Guanglei Xu은 인공지능 기계 학습(ML)을 위한 양자 볼츠만 기계 알고리즘에 사용되는 매개 변수를 자동으로 추론하는 방법을 발견했다.

연구 결과는 Scientific Reports에 게재됐다.

이 작업은 이미지 인식, 신약 발견 및 신소재 생성과 같은 복잡하고 상호 연결된 문제를 해결하기 위해 인공지능(AI) 솔루션을 훈련하는 데 사용할 수 있는 인공 신경망(artificial neural networks)을 구축하는 데 도움이 될 수 있다.

“양자 컴퓨팅이 온라인으로 제공되고 컴퓨팅 능력이 증가함에 따라 새로운 도구를 제공 할 수 있다는 믿음이 있지만, 이를 프로그래밍하는 방법과 특정 응용 프로그램에 적용하는 방법을 파악하는 것은 큰 문제”라고 Oates는 말했다.

표준 컴퓨터의 이진 비트와는 달리 양자 비트는 중첩 상태, 즉 한 번에 둘 이상의 상태로 존재할 수 있다. 양자 비트 (또는 큐 비트)의 상태를 측정하면 특수 상태를 잃게 되므로 양자 컴퓨터는 큐 비트 상태가 관찰되기 전에 확률을 계산하여 작동한다.

양자 어닐러(quantum annealers)로 알려진 특수 양자 컴퓨터는 이러한 유형의 컴퓨팅을 수행하는 하나의 도구다. 큐 비트의 각 상태를 에너지 레벨로 표시하여 작동한다. 큐비트 중 가장 낮은 에너지 상태는 문제에 대한 해결책을 제공한다. 그 결과 신경망을 구축하는 것과 같이 계산하는 데 매우 오랜 시간이 걸리는 복잡한 상호 연결된 시스템을 처리할 수 있는 기계가 탄생했다.

신경망을 구축하는 한 가지 방법은 네트워크에 주어진 입력을 기반으로 학습 확률을 사용하는 알고리즘인 제한된 볼츠만 머신(Boltzmann machines)을 사용하는 것이다. Oates와 Xu는 해당 알고리즘에 사용되는 유효 온도와 관련된 중요한 매개 변수를 자동으로 계산하는 방법을 찾았다. 제한된 볼츠만 머신은 일반적으로 대신 해당 매개 변수를 추측해 확인을 위한 테스트가 필요하며 컴퓨터가 새로운 문제를 조사하도록 요청할 때마다 변경될 수 있다.

Oates는 “모델의 매개 변수는 양자 어닐러가 하는 일을 복제한다”라며 “정확하게 추정 할 수 있다면 신경망을보다 효과적으로 훈련하고 예측에 사용할 수 있다”고 말했다.

*Guanglei Xu et al. Adaptive hyperparameter updating for training restricted Boltzmann machines on quantum annealers, Scientific Reports (2021). DOI: 10.1038/s41598-021-82197-1