양자컴퓨팅 (Quantum Computing) 편집하기 (부분)

경고: 로그인하지 않았습니다. 편집을 하면 IP 주소가 공개되게 됩니다. 로그인하거나 계정을 생성하면 편집자가 사용자 이름으로 기록되고, 다른 장점도 있습니다.

== NISQ 시대 발전될 것으로 예상되는 연산 분야 ==

NISQ 연산을 통해 유용한 결과를 제공할 것으로 기대되는 연구 분야로, 최적화 분야, [[양자 어닐링 현상]]을 활용한 연산 분야, 잡음-회복(noise-resilient) 회로를 통한 잡음 제어 연구 분야, 양자 기계 학습(machine learning) 분야, 양자 화학 분야 등이 있다. IBM Q에서 발표한 NISQ 시대 양자 연산을 통해 양자 이점(quantum advantage)이 나타날 것으로 기대되는 몇 가지 중요 분야에서 어떠한 방식으로 양자 연산 기술이 발전될 것으로 기대되는 지 아래 항목을 통하여 설명한다.

[[File:기술백서 전체수정_23.jpg|thumb|center|500px|IBM Q에서 발표한 NISQ 시대 양자 연산을 통해 양자 이점(quantum advantage)이 나타날 것으로 기대되는 연산 분야. 참고문헌 <ref>IBM Research Insights, ''Coming soon to your business: Quantum computing'' [https://www.ibm.com/thought-leadership/institute-business-value/report/quantumstrategy]</ref>의 그림을 재구성함.
]]

=== 최적화 분야 ===

[[양자 컴퓨터]]가 고전 컴퓨터와 다른 방식으로, 고전 컴퓨터가 풀 수 없는 문제를 풀어낼 것은 확실해 보인다. 하지만 양자 컴퓨터의 연산 능력이 무제한적일 것으로 예상되지는 않는다. 예컨대 양자 컴퓨터는 유한한 대상(object) 집합으로부터 최적화된 집합을 구해내는 조합 최적화(combinatorial problem) 문제와 같이 어려운 NP-hard 문제를 풀지는 못할 것이다. 양자 컴퓨터가 이점을 보일 것으로 기대되는 연산 분야는 어려운 NP-hard 문제를 ‘근사적’으로 해결하는 분야이다. 예컨대, $$x$$개의 제한 조건에 대하여 길이 $$l$$의 수열을 구해야 하는 문제라면 양자 연산을 사용하여 근사적으로 가능한 많은 $$x'$$개의 제한 조건을 푸는 수열을 구할 수 있을 것이라 기대된다<ref name=Preskill/>. NP-hard 복잡도와 현재 고전 컴퓨터가 풀 수 있는 문제의 복잡도 격차가 크므로 그 중간 정도의 복잡도 문제를 상기 방식으로 양자 연산을 통해 해결할 것으로 기대할 수 있다.

고전-양자 하이브리드 알고리듬을 이용한 연산 방식은 NISQ 시대에 최적화 분야에서 양자 컴퓨터가 연산 효율을 높일 것으로 기대되는 또 다른 분야 중 하나이다. 이 방식에서 양자 컴퓨터는 상태를 준비하고 측정하는 과정을 담당하며, 고전 연산을 통하여 최적화 결과를 도출한다. 고전 최적화 장치와 양자 연산 장치 사이의 피드백 시스템을 반복하여, 근사적으로 최적화된 결과를 도출할 수 있을 것으로 기대된다. 고전 조합 최적화 문제에 이러한 방식이 적용될 경우 이와 같은 연산 방식은 QAOA(Quantum Approximate Optimization Algorithm)이라 부른다. 해밀토니안의 해를 구하는 등의 [[양자역학]]적 문제를 해결하는 데 사용될 경우 고전-양자 알고리듬은 VQE(Variational Quantum Eigensolver) 등의 이름으로 지칭된다.

=== 잡음-회복 (Noise-Resilient) 양자 회로 ===

오류허용(fault-tolerant) 양자 연산은 고비용 문제로 인하여 NISQ 단계에서는 실현 불가능할 것으로 보인다. 하지만, NISQ 기술은 그 정의상 어떤 방식으로든 잡음을 고려하고, 이를 줄이는 문제를 해결해야 한다. 이러한 목적으로 고려되는 기술로서 잡음-회복 양자 회로가 있다. 모든 게이트에서 단일 결함이 있을 수 있는 일반적인 회로라면 일반적으로 게이트마다 게이트 수의 역수에 비례하는 오류율만 허용된다<ref name=Preskill/>. 이에 반해 잡음-회복 양자 회로의 경우, 연산 능력에 치명적인 오류를 가져올 수 있는 게이트의 수를 제한적으로 둘 수 있다. 잡음-회복 특성은 회로의 깊이(depth)가 작거나, 최종 측정값 당 오류율이 일정하게 주어지는 등의 요인으로 나타난다. 2017년에는, 회로의 규모, 즉 깊이 정도와 상관없는 오류허용에 대해 분석하는 동시에 VQE를 사용하여 특정 해밀토니안의 최저 에너지 상태를 계산한 연구 결과가 보고된 바 있다.<ref name=Kim>I. H. Kim, Noise-resilient preparation of quantum many-body ground states, [https://arxiv.org/abs/1703.00032 arXiv:1703.00032] (2017).</ref>

=== 양자 인공지능 ===

기계 학습(machine learning)은 다양한 분야에 파급력을 갖고 있는 연구 방법론으로, NISQ 시대에 기계 학습이 갖게 될 영향에 대해서 논의하는 것은 자연스러운 일일 것이다. 현재 기술 단계에서는 양자 기계 학습이 고전 기계 학습에 비하여 어느 정도 양자 이점(quantum advantage)을 가져올지 알 수 없지만, 최근 진행되고 있는 양자 기계 학습 연구는 양자 연산의 효율을 높이는 한 방향으로 고려되고 있다.<ref name=Gao>X. Gao, Z. Zhang &amp; L. Duan, An efficient quantum algorithm for generative machine learning, [https://arxiv.org/abs/1711.02038 arXiv:1711.02038] (2017).</ref> 양자 기계 학습이 중요한 연구 방향으로 여겨지는 이유 중 하나는 해당 방식에서 QRAM(Quantum Random Access Memory)의 활용이 가능할 것으로 기대되기 때문이다. 큐비트를 메모리로 사용할 경우 큰 길이의 벡터, 즉 큰 고전 데이터 정보를 적은 수의 큐비트에 저장할 수 있다. 반면, QRAM 기술에도 양자 상태에 정보 입력과 출력시 정보 손실이 일어난다는 난점이 존재한다. 입/출력을 모두 양자 시스템으로 한다면 이런 문제를 피할 수 있을 것으로 예상된다. 이와 같이 입/출력이 모두 양자 시스템으로 주어진 양자 기계 학습 모델은 복잡계 양자 물리 문제를 푸는 등의 양자 고유 문제에 적용되기 용이할 것으로 기대된다<ref name=Preskill/>.

[[분류:NISQ 양자컴퓨팅 | ]]

요약:

한국양자정보학회 위키에서의 모든 기여는 다른 기여자가 편집, 수정, 삭제할 수 있다는 점을 유의해 주세요. 만약 여기에 동의하지 않는다면, 문서를 저장하지 말아 주세요.
또한, 직접 작성했거나 퍼블릭 도메인과 같은 자유 문서에서 가져왔다는 것을 보증해야 합니다(자세한 사항은 한국양자정보학회 위키:저작권 문서를 보세요). 저작권이 있는 내용을 허가 없이 저장하지 마세요!

취소 편집 도움말 (새 창에서 열림)

원본 주소 "https://wiki.qisk.or.kr/양자컴퓨팅_(Quantum_Computing)"

양자컴퓨팅 (Quantum Computing) 편집하기 (부분)

둘러보기 메뉴

검색