AI와 양자 기술이 만나면 어떤 일이 일어날까?

딥 테크 분야에서 양자 컴퓨팅과 인공지능 만큼 화제와 혼란을 불러일으키는 주제는 거의 없습니다 . 두 분야 모두 언론의 주목을 받는 강력한 기술이지만, 그 자체로 큰 의미를 갖지 못하고 오해받는 경우가 많습니다. 그럼에도 불구하고, 이 두 분야의 교차점은 그 중요성이 점점 커지고 있으며, 기업 리더, 엔지니어, 투자자들의 관심을 받고 있습니다.

AI & Quantum Computing

양자 컴퓨터는 우리에게 익숙한 기존 컴퓨터와는 매우 다른 방식으로 작동하는 난해한 시스템으로 여겨지는 경우가 많습니다. 그러나 이러한 시스템은 실제로 놀라울 정도로 많은 양의 기존 컴퓨팅을 필요로 합니다. 양자 컴퓨터는 매우 섬세하여 노이즈에 취약하고, 보정이 어려우며, 여러 계층의 소프트웨어와 하드웨어로 구성된 "스택(stack)" 전반에 걸쳐 광범위한 연산 오케스트레이션을 필요로 합니다. 바로 이러한 부분에서 기존 컴퓨팅, 특히 AI가 도움을 줄 수 있습니다.

최근 연구에서는 고전적인 딥러닝을 활용하여 중성 원자 기반 양자 컴퓨터의 판독 시간을 단축하고 정확도를 향상시키는 것이 입증되었습니다. 이러한 모델은 양자 상태를 신속하게 특성화하고 시스템 매개변수 드리프트를 감지하여 성능을 크게 향상시킬 수 있습니다.

AI는 확장 가능하고 내결함성을 갖춘 양자 컴퓨팅 개발의 초석인 양자 오류 정정에도 중요한 역할을 하고 있습니다. 머신러닝 기술은 이제 오류 징후를 식별하고 상태 디코딩 전략을 실시간으로 조정하는데 사용됩니다. 이는 오류 정정을 통해 정정되지 않은 물리적 큐비트보다 논리적 큐비트의 성능이 향상되는 필수적인 손익분기점에 더욱 가까워지는데 기여하고 있습니다.

양자 컴퓨터 작동에서 고전적 AI가 수행하는 역할의 다른 예로는 양자 게이트의 펄스 시퀀스를 최적화하는 강화 학습 알고리즘과 해밀턴 학습 및 양자 제어를 지원하는 베이지안(Bayesian) 모델이 있습니다. 다시 말해, 고전적 AI는 양자의 경쟁자가 아니라 양자의 잠재력을 실현하는 데 필수적인 기술입니다.

기존 AI가 오늘날의 양자 컴퓨터를 가속화한다면, 그 반대의 경우는 어떨까요? 양자 컴퓨터가 인공지능의 획기적인 발전을 가져올 수 있을까요?

양자 머신러닝(QML)은 양자 컴퓨터를 사용하여 머신러닝 모델을 학습하거나 실행하는 것을 목표로 합니다. 이론적으로 양자 알고리즘은 커널 기법부터 최적화에 이르기까지 AI의 기반이 되는 특정 선형 대수 문제의 속도를 기하급수적으로 향상시킬 수 있습니다. 더욱이, 양자 컴퓨터의 본질적인 확률적 특성은 생성 모델링에서 방대한 확률 분포를 샘플링하는 데 매우 적합할 수 있습니다. 예를 들어, 양자 볼츠만 머신(Quantum Boltzmann Machines)은 기존 AI로는 처리하기 어려운 분포를 학습하도록 학습될 수 있습니다.

실제로, 기존 알고리즘보다 "우수하다"고 홍보되는 QML 알고리즘들은 오늘날의 노이즈가 많은 NISQ 양자(Noisy Intermediate-Scale Quantum) 장치의 성능을 뛰어넘는 수준의 성능에 의존합니다. 다른 알고리즘들은 데이터 로딩 과정에서 병목 현상에 직면하는데, 이는 기존 데이터를 양자 상태로 인코딩하는 오버헤드가 후속 양자 알고리즘의 이점을 능가하기 때문입니다.

단기적으로 더 유망한 분야는 양자 기반 머신 러닝 입니다 . 양자 역학의 개념을 차용했지만 GPU에서 효율적으로 실행되는 고전적 알고리즘입니다. 최근 공개된 엔비디아의 CUDA-Q 기반 Contextual Machine Learning 모델이 대표적인 예입니다. 이 모델은 Quantum Contextuality 현상에서 영감을 받았습니다. 이 접근 방식은 GPU에서 최첨단 성능을 제공하며, 대규모 내결함성 양자 컴퓨터가 상용화됨에 따라 더 큰 이점을 제공할 것으로 기대됩니다. 이는 단순한 타협이 아니라, 차세대 AI 가속화를 위한 동력이 될 수 있습니다.

그럼에도 불구하고, 양자 컴퓨터가 AI의 미래에서 수행 할 역할을 과소평가하는 것은 오류일 것입니다. 올해 엔비디아의 GTC 컨퍼런스에서 젠슨 황(Jensen Huang) CEO는 자신이 "물리적 AI"라고 부르는, 인공지능 시스템이 물리적 세계로부터 학습하고 작동하는 비전을 발표했습니다 . 그는 양자 컴퓨팅의 가장 큰 영향이 바로 이 분야에 있을 것이라고 주장했습니다. 즉, 고충실도의 물리 기반 학습 데이터를 생성하여 기존 AI 모델이 재료 과학 , 화학, 생물 의약품과 같은 분야에서 획기적인 발전을 이룰 수 있도록 하는 것입니다.

"자연은 고전적이지 않아, 젠장." 리처드 파인만(Richard Feynman)이 유명한 말을 했고, 젠슨 황도 그 말에 공감했습니다. 양자 컴퓨터는 본질적으로 양자 현상을 직접 샘플링하여 고전 시스템으로는 접근 불가능한 물리적 현실의 층에 접근할 수 있습니다. 미래의 양자 컴퓨터는 독특하고 강력한 "실측 자료 생성기(ground truth generators)" 역할을 하여, 거대한 고전 AI 파이프라인에 물리적 통찰력을 제공할 수 있습니다. 이 시나리오에서 양자는 완전히 새로운 것을 제공함으로써 고전 AI를 증폭시킵니다. 바로 가장 근본적인 형태의 자연 법칙에 직접 접근하는 것입니다.

양자와 AI의 교차점은 단순히 유행어를 결합하는 것이 아닙니다. 오히려 두 분야가 단독으로 제공할 수 있는 것보다 더 깊고 강력한 계산적 접근 방식을 구축하는 것을 의미합니다. 오늘날 AI에서 가장 분명한 이점은 양자로 흘러들어, 이러한 기계들을 더욱 안정적이고 효율적이며 확장 가능하게 만듭니다. 그 대가로 양자는 언젠가 현실의 양자 기반에서 얻은 데이터로 기존 AI를 강화함으로써 그 은혜에 보답할 것입니다.

앞으로 양자와 AI의 가장 가치 있는 응용 분야는 차세대 챗봇을 운영하는 데 있지 않을 것입니다. 오히려 생명의 화학에서 우주의 물리학에 이르기까지 실제 세계를 전례 없는 충실도로 모델링하는 데 있을 것입니다.

출처: