양자 AI를 위한 분명한 길 “불모의 고원” 위협 극복

새로운 정리는 최적화 문제에서 ‘불모의 고원(barren plateaus)’ 위협을 극복, 양자 컴퓨터에서 컨볼루션 신경망이 훈련될 수 있음을 보여준다.

양자 컴퓨터에서 실행되는 컨볼루션 신경망(quantum convolutional neural networks, QCNNs)은 기존 컴퓨터보다 양자 데이터를 더 잘 분석할 수 있는 잠재력으로 주목받았다. “불모의 고원”으로 알려진 근본적인 해결 가능성 문제는 대규모 데이터 세트에 대해 이러한 신경망의 적용을 제한했지만, 새로운 연구는 확장성을 보장하는 엄격한 증거로 아킬레스건을 극복했다.

미국 로스 알라모스 국립 연구소(Los Alamos National Laboratory) 과학자들의 이번 논문(“Absence of Barren Plateaus in Quantum Convolutional Neural Networks”)은 최근 Physical Review X에 발표됐다.

논문 공동 저자인 Marco Cerezo는 “양자 신경망(QNNs)을 구성하는 방식은 불모의 고원으로 이어질 수 있다. 우리는 특수한 유형의 양자 신경망에 황량한 고원이 없다는 것을 증명했다. 우리 작업은 이 아키텍처에 대한 훈련 가능성 보장을 제공하므로 일반적으로 매개변수를 훈련할 수 있다”고 말했다. Cerezo는 Los Alamos 양자 컴퓨팅, 양자 기계 학습 및 양자 정보 전문 물리학자다.

인공 지능(AI) 방법론인 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. 황량한 고원을 극복하는 것은 AI 애플리케이션에서 양자 컴퓨터의 잠재력을 최대한 끌어내고 고전 컴퓨터에 비해 양자 컴퓨터의 우수성을 입증하는 열쇠다.

Cerezo는 지금까지 양자 기계 학습 연구원들이 황량한 고원의 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.

논문 공동 저자 Los Alamos 양자 물리학자 Patrick Coles는 “이런 보장을 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.

Coles는 연구자들이 단기 양자 컴퓨터를 더 자주 사용하고 점점 더 많은 데이터를 생성함에 따라 양자 AI 알고리즘에 대한 더 많은 응용 프로그램이 나타날 것이라고 생각한다. 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 “소실되는 기울기(vanishing gradient)”다. 풍경은 언덕과 계곡으로 구성되며 목표는 풍경의 지리를 탐색하여 솔루션을 찾기 위해 모델의 매개변수를 훈련하는 것이다. 솔루션은 일반적으로 말하자면 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. 사실, 지형은 지형지물 크기에 따라 기하급수적으로 평평해진다. 따라서 불모의 고원이 있는 상태에서는 양자 신경망을 확장할 수 없다.

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

40년 이상 동안 물리학자들은 양자 컴퓨터가 기존의 고전 컴퓨터를 질식시키는 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.

Coles는 “양자 머신 러닝 분야는 아직 젊다. 레이저가 처음 발견되었을 때 레이저가 문제를 찾는 해결책이었다는 유명한 말이 있다. 이제 레이저는 모든 곳에서 사용된다. 마찬가지로 우리 중 많은 사람들은 양자 데이터가 고가용성이 되고 양자 기계 학습이 시작될 것이라고 생각한다”고 설명했다.

그는 자기 부상 열차와 같은 마찰 없는 운송을 개선할 수 있는 고온 초전도체로서의 세라믹 재료연구를 예로 들었다. 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.