양자 알고리듬 (Quantum Algorithm) 편집하기 (부분)

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

== 기계 학습 (Machine Learning) ==

[[File:기술백서 전체수정_75_resize.jpg|thumb|700px|GAN(generative adversarial network) 구조.<ref name=Huang>H.-L. Huang ''et al''., Experimental quantum generative adversarial networks for image generation, arXiv:[https://arxiv.org/abs/2010.06201 2010.06201].</ref> 참고문헌 [15]의 그림을 재구성함.
]]
[[양자 알고리듬]]은 암호화 분야뿐만 아니라 기계 학습 알고리듬에도 기존 알고리듬보다 효율적인 연산이 가능할 것이라고 기대 중이다. 컴퓨터 비전 분야는 기계 학습에 의해 많은 발전을 하게 된 분야 중 하나다. 컴퓨터 비전 분야에서 사용되는 많은 알고리듬 중에 GAN(generative adversarial network)은 이미지 생성을 위한 알고리듬으로, 2014년에 발표된 이후 꾸준히 많은 논문들이 발표되어, 2018년에는 11,800개 논문에 발표되었다. 전체적인 구조는 G(generator)가 이미지를 생성하고, D(discriminator)가 실제 이미지인지 만들어진 이미지인지 구분하는 역할이다. G와 D 둘 다 학습을 통해 정확도를 높인다.

QGAN(quantum generative adversarial network)은 양자 컴퓨터와 기존의 FCNN(fully connected neural network)를 둘 다 사용한 구조이다. GAN의 구조에서 G는 양자 컴퓨터로 구현하고, D를 기존 컴퓨터인 FCNN(fully connected neural network)로 구현했다. 양자 컴퓨터의 [[큐비트]] 수 제한에 맞춰 QGAN과 기존 GAN의 정확도를 비교했다. 학습 결과는 QGAN이 GAN보다 높게 나왔다.

이 외에도 다양한 분야에서 양자 컴퓨터가 사용되거나 자체적으로 새로운 알고리듬이 연구 중이다. 아직 양자 우월성을 보이기엔 하드웨어의 한계가 있지만, 한정적인 자원에서 양자 우월성을 보이는 사례도 존재한다.

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/양자_알고리듬_(Quantum_Algorithm)"

양자 알고리듬 (Quantum Algorithm) 편집하기 (부분)

둘러보기 메뉴

검색