양자 컴퓨팅의 맥락

아래 영상에서 Olivia Lanes가 이 레슨의 내용을 안내해 드립니다. 또는 별도 창에서 이 레슨의 YouTube 영상을 열 수도 있습니다.

이 강좌를 첫 번째 양자 Circuit을 직접 실행하고, 양자역학 법칙이 양자 상태, Gate, Circuit을 만드는 데 어떻게 사용되는지 배우는 것으로 시작했습니다. 이제 조금 넓게 바라볼 차례입니다. 이 레슨에서는 다양한 프레임워크를 통해 양자 컴퓨팅을 탐구하여, 양자 컴퓨팅에 관한 대화, 헤드라인, 기사를 더 비판적인 시각으로 볼 수 있도록 도와드리겠습니다.

양자 컴퓨팅에 대한 많은 기대와 이 기술이 제공할 수 있는 가능성에 대한 흥분이 있다는 것은 의심할 여지가 없습니다. 심지어 "과대 광고"라고 부를 수도 있습니다. 새로운 발견에 대한 과대 광고가 있을 때처럼, 사실과 허구를 구별하기 어려울 수 있습니다. 이를 염두에 두고, 양자 컴퓨팅이 아닌 것부터 시작하는 것이 좋습니다:

• 양자 컴퓨팅은 기존의 고전 컴퓨터를 대체하지 않을 것입니다 — "양자 휴대폰"도 만들어지지 않을 것입니다
• 양자 컴퓨팅은 "동시에 모든 가능한 답을 확인하는" 방법이 아닙니다
• 양자 컴퓨팅이 모든 작업에서 고전 컴퓨터보다 보편적으로 뛰어난 것은 아닙니다
• 양자 컴퓨팅은 AI와 경쟁하는 것이 아닙니다
• 오류 내성이나 오류 수정을 달성할 때까지 양자 컴퓨팅이 쓸모없는 것은 아닙니다
• 양자 컴퓨팅은 마법이 아닙니다

이것이 이 강좌를 완전히 떠나게 만들거나 실제로 가치 있는 것이 없다고 생각하게 만들지 않았으면 합니다. 오히려 정반대입니다! 양자 컴퓨팅은 엄청난 잠재력을 가지고 있습니다 — 하지만 특정 응용 분야에서만입니다. 다행히도 그 응용 분야에는 화학 시뮬레이션, 소재 탐구, 대규모 데이터 분석 같이 중요한 문제에 접근하는 방식을 근본적으로 변화시킬 수 있는 활발한 연구 영역이 포함됩니다. 이 응용 분야들을 탐구하기 전에, 먼저 이러한 오해들을 더 자세히 살펴보겠습니다.

확장성

양자 컴퓨터에 관한 또 다른 일반적인 오해는 Qubit이 많을수록 더 강력하다는 것입니다. 이것이 꼭 틀린 것은 아니지만, 전체 그림을 보여주지는 않습니다. 수량 면에서의 확장은 분명히 중요한 요소이지만, Qubit 자체의 품질만큼 중요하지는 않습니다. 품질은 여러 방식으로 측정되는데, 가장 중요한 것 중 하나는 결맞음 시간과 위상 탈조 시간, 즉 각각 $T_1$과 $T_2$입니다. 이는 Qubit의 양자 정보가 얼마나 오래 안정적으로 유지될 수 있는지의 측정값입니다. 첫 번째 초전도 Qubit이 시연되었을 때 이 수치는 나노초 단위였습니다(Nakamura 등, 1999). 현재는 수백 마이크로초의 안정적인 결맞음 시간을 가진 Qubit을 정기적으로 생산하고 있습니다.

양자 컴퓨터가 어떻게 개선되고 있는지 볼 때 지목하는 또 다른 중요한 요소는 속도입니다. 속도를 측정하기 위해 Circuit Layer Operations per Second(CLOPS)라는 것을 사용합니다. CLOPS는 Circuit을 실행하는 시간과 실시간 및 준실시간 고전 계산을 모두 통합하여, 속도의 전체적인 단일 척도로 활용됩니다.

이 세 가지 요소 모두 오류 내성 범용 양자 컴퓨터를 향한 길을 계속 구축하는 데 필요합니다. 그래서 IBM Quantum® 로드맵을 보면, 일부 프로세서 간 도약에서 Qubit 수가 크게 증가하지 않는다는 것을 알 수 있습니다. 예를 들어, Heron과 Nighthawk 사이의 적당한 Qubit 증가를 주목하세요. 그것이 그 개선의 실제 초점이 아니기 때문입니다. 대신, Nighthawk는 다른 오류 수정 코드를 허용할 새로운 연결 토폴로지를 구현합니다.

오류 수정 대 오류 완화

오류 수정은 양자 컴퓨팅 연구자들의 가장 중요한 장기 목표 중 하나로 남아 있습니다. 이는 Qubit이 항상 다소 노이즈가 있고 오류가 발생하기 쉬울 것이라는 전제를 바탕으로 하며, Shor 알고리즘과 같은 대규모 알고리즘을 실행하고 싶다면 이러한 오류를 실시간으로 감지하고 수정하는 능력이 필요합니다. 많은 종류의 오류 수정 코드가 있으며, 더 깊이 파고 싶다면 Foundations of quantum error correction 강좌 같은 다른 강좌를 참조하시기 바랍니다.

반면 오류 완화는 이미 양자 컴퓨팅 결과를 개선하기 위해 정기적으로 사용되고 있습니다. 오류 완화의 아이디어는 오류가 발생한다는 것을 인정하고, 그 오류의 동작을 예측하여 영향을 줄이려는 것입니다. 많은 오류 완화 기법이 있으며, 많은 경우 양자 컴퓨터에서의 여러 번의 실행과 고전 후처리가 필요합니다. 오류 수정이 오류 완화를 완전히 대체하지는 않을 것입니다. 대신, 양자 컴퓨터에서 최선의 결과를 얻기 위해 두 가지가 함께 사용될 것으로 예측합니다.

양자 컴퓨팅 구성 요소

앞서 양자 컴퓨터가 언젠가 고전 컴퓨터를 대체할 것이라는 것이 일반적인 오해라고 언급했습니다. 이것은 분명히 사실이 아닙니다. 양자 컴퓨터와 고전 컴퓨터는 실제로 서로를 대체하려는 전쟁 중이 아닙니다. 사실, 이전 섹션에서 언급했듯이, 양자 컴퓨터는 다양한 이유로 고전 컴퓨터가 필요합니다. "컴퓨터"라는 말을 일반적으로 할 때, 우리는 보통 CPU, RAM, 메모리 등 모든 구성 요소를 포함한다고 가정합니다. 반대로, 양자 컴퓨터는 이러한 모든 구성 요소를 가지고 있지 않습니다. 사람들이 양자 컴퓨터에 대해 이야기할 때, 실제로는 CPU의 처리 역할을 대신하는 QPU(양자 처리 장치)를 가리키는 경우가 많습니다. QPU 자체는 범용 컴퓨터가 아닙니다. 운영 체제를 실행하거나 메모리를 관리하거나 사용자 인터페이스를 처리하지 않습니다. 그 유일한 역할은 측정 결과를 고전 시스템에 반환하기 전에 신중하게 제어된 양자 연산에 따라 Qubit을 조작하는 것입니다.

실제로, 오늘날의 양자 컴퓨터는 하이브리드 시스템으로 가장 잘 이해됩니다. 고전 컴퓨터가 워크플로를 조율합니다 — 입력을 준비하고, 양자 Circuit을 컴파일하고, 작업을 스케줄링하고, 결과를 후처리합니다 — 반면 QPU는 계산의 양자 부분만 실행합니다. 양자 하드웨어가 발전하더라도, 이 분업은 지속될 것으로 예상됩니다. 발전의 초점은 고전 구성 요소를 완전히 제거하는 것이 아니라 고전 시스템과 QPU 간의 더 긴밀한 통합과 더 빠른 통신에 맞춰질 것입니다.

양자 컴퓨팅의 유력한 응용 분야

우리는 양자 컴퓨팅이 가장 큰 영향을 미칠 것으로 생각하는 분야를 네 가지 범주로 크게 분류합니다: 최적화, 해밀토니안 시뮬레이션, 편미분 방정식(PDE), 기계 학습입니다.

해밀토니안 시뮬레이션

이 주제는 자연에서 발견되는 양자역학적 과정을 시뮬레이션하는 것에 관한 것입니다. 핵심적으로, 두 가지 광범위한 작업을 포함합니다: 시스템 내의 총 에너지와 상호작용을 인코딩하는 해밀토니안에 의해 기술된 시스템의 바닥 상태 에너지를 찾는 것, 그리고 그 시스템이 시간에 따라 어떻게 진화하는지 시뮬레이션하는 것(양자 동역학).

이것은 양자 컴퓨터에 가장 자연스러운 응용 분야 중 하나입니다. 양자 상태 공간의 크기가 입자 수에 따라 지수적으로 증가하기 때문에, 양자 시스템은 고전 컴퓨터에서 시뮬레이션하기가 매우 어렵습니다. 반면에 양자 컴퓨터는 양자 상태를 직접 표현하므로, 이러한 종류의 문제에 적합합니다 — 적어도 원칙적으로는.

주요 응용 분야는 다음과 같습니다:

• 화학 및 소재 과학: 분자 구조, 반응 경로, 결합 에너지, 소재 특성 예측
• 응집 물질 물리학: 강한 상관관계 시스템, 상전이, 이국적인 양자 상태 연구
• 고에너지 및 핵물리학: 입자 상호작용 모델링

장기적으로, 해밀토니안 시뮬레이션의 발전은 다음을 가능하게 할 수 있습니다:

• 더 정확한 신약 개발 및 촉매 설계
• 배터리용 새로운 소재 발견
• 기본 물리 현상에 대한 더 깊은 통찰

SQD와 같이 가장 많이 연구된 양자 알고리즘들 중 많은 것이 특히 해밀토니안 시뮬레이션을 염두에 두고 개발되었습니다. 그 결과, 이 범주는 종종 양자 컴퓨팅에서 과학적으로 가장 설득력 있고 이론적으로 탄탄한 사용 사례 중 하나로 여겨집니다.

최적화

최적화 문제는 제약 조건에 따라 많은 가능한 해 중에서 최선의 해를 찾는 것을 포함합니다. 이러한 문제는 과학, 공학, 산업 전반에 걸쳐 나타나며, 문제 크기가 커질수록 계산적으로 다루기 어려워지는 경우가 많습니다.

예시는 다음과 같습니다:

• 스케줄링 및 라우팅 (예: 공급망, 교통 흐름, 항공 스케줄링)
• 포트폴리오 최적화 및 위험 관리 (금융)
• 자원 배분 및 물류
• 그래프 분할 및 최대 컷 같은 조합 문제

많은 최적화 문제는 복잡도 이론에서 NP-어려운 문제로 분류됩니다. 즉, 고전 알고리즘은 일반적으로 큰 인스턴스에 대해 휴리스틱이나 근사에 의존합니다. Qubit이 고전 비트와 다르게 동작하기 때문에, 우리는 해를 다르게 모델링할 수 있습니다. 이것이 고전 알고리즘보다 더 빠르거나 더 완전하게 해 공간을 탐색하게 해줄 수도 있습니다.

일반적인 양자 접근법은 다음과 같습니다:

• 변분 알고리즘, 예를 들어 양자 근사 최적화 알고리즘 (QAOA)
• 하이브리드 고전-양자 워크플로, 고전 솔버가 양자 서브루틴을 안내하고 정제하는 방식

양자 최적화가 언제 — 또는 어떤 문제에 대해 — 최신 고전 방법에 비해 명확한 우위를 제공할지는 여전히 미해결 문제이지만, 최적화는 그 편재성과 최적화 목적 함수와 양자 해밀토니안 간의 자연스러운 매핑 때문에 주요 관심 분야로 남아 있습니다.

편미분 방정식 (PDE)

편미분 방정식은 물리량이 공간과 시간에 따라 어떻게 변하는지 기술합니다. 이것들은 유체 역학, 전자기학, 열 전달, 금융 모델링을 포함한 과학과 공학에서 가장 중요한 모델들의 근간을 이룹니다.

예시는 다음과 같습니다:

• 유체 흐름에 관한 Navier-Stokes 방정식
• 슈뢰딩거 방정식 및 파동 방정식
• 맥스웰 방정식
• Black-Scholes 및 관련 금융 PDE

고전 컴퓨터에서 PDE를 수치적으로 풀려면 종종 세밀한 공간 격자와 긴 시간 진화가 필요하여, 높은 계산 비용과 메모리 사용을 초래합니다.

PDE를 위한 양자 알고리즘은 일반적으로 다음에 의존합니다:

• PDE를 선형 방정식의 대형 시스템에 매핑
• HHL 알고리즘과 그 변형 같은 양자 선형 대수 서브루틴
• 양자 코어 주변에 고전 전처리와 후처리가 있는 하이브리드 워크플로

이론적으로, 특정 양자 접근법은 특정 가정(효율적인 상태 준비 및 읽기 등) 하에서 지수적 또는 다항식 속도 향상을 제공할 수 있습니다. 실제로, PDE 풀이는 더 장기적인 응용 분야로 예상되며, 오류 내성 양자 컴퓨팅의 발전과 고성능 컴퓨팅(HPC) 시스템과의 양자-고전 통합에 밀접하게 연계되어 있습니다.

기계 학습

양자 기계 학습(QML)은 양자 컴퓨터가 기계 학습과 데이터 분석의 측면을 어떻게 향상하거나 가속화할 수 있는지 탐구합니다. 여기에는 다음 두 가지가 모두 포함됩니다:

• 양자 컴퓨터를 사용하여 고전 알고리즘과 다른 분류 동작을 가진 분류 문제 탐구
• 본질적으로 양자적인 새로운 모델 개발

제안된 응용 분야는 다음과 같습니다:

• 분류 및 클러스터링
• 커널 방법 및 특징 맵
• 훈련 루프 내의 최적화 서브루틴

많은 QML 알고리즘이 다음을 활용합니다:

• 훈련 가능한 모델로서의 매개변수화된 양자 Circuit
• 변분 최적화 기법
• 고차원 특징 공간에서 암묵적으로 동작하는 양자 커널

그러나 기계 학습은 양자 우위를 달성하기 특히 어려운 분야입니다. 고전 기계 학습은 매우 성숙하며, 양자 모델은 데이터 로딩, 노이즈, 확장성 같은 문제와 씨름해야 합니다.

결과적으로, 현재 연구는 다음 분야에 초점을 맞추고 있습니다:

• 양자 모델이 고전 모델을 능가할 수 있는 특정 영역 식별
• 독립형 대체가 아닌 하이브리드 워크플로의 일부로서 QML 탐구
• 양자 모델의 표현력, 훈련 가능성, 일반화 이해

양자 기계 학습은 여전히 활발한 연구 분야로, 장기적인 잠재적 영향이 있습니다 — 하지만 실용적 우위가 언제 어디서 나타날지에 대한 중요한 미해결 질문도 있습니다.

결론

이 레슨은 양자 우위가 컴퓨터 대체에 관한 것이 아님을 분명히 했습니다. 그것은 계산 가능한 것의 범위를 확장하는 것입니다. 이것은 인간이 시도한 가장 야심 찬 공학 프로젝트 중 하나입니다. 그리고 모든 야심 찬 프로젝트와 마찬가지로, 복잡하고 느리며 꽤 놀랍습니다.

이러한 알고리즘이 실제로 어떻게 작동하는지에 대한 후속 내용을 원하신다면, 다음 레슨에서 여러분의 관심사와 커리어 목표를 기반으로 어디로 나아갈지 보여드리겠습니다.