1. 양자 컴퓨팅과 AI의 차이

양자 컴퓨터와 AI는 현대의 기술 중에서 가장 많은 주목을 받고 있는 분야 중 하나다. 둘 다 기존 컴퓨팅의 한계를 뛰어넘는 혁신적인 가능성을 지니고 있지만, 그 본질은 크게 다르다.

<표1> 양자 컴퓨터와 AI의 차이

AI는 대량의 데이터에서 패턴을 추출하고, 그 패턴을 바탕으로 새로운 데이터를 예측 및 분류하는 기술이다.

이 프로세스는 인간의 직감과 비슷한 측면이 있으며, 과거의 경험을 통해 새로운 상황에 대처하는 인간의 학습 능력을 모방했다고 할 수 있다.

하지만 기계학습은 학습에 사용되는 데이터에 편향이 생기면 잘못된 판단을 내릴 수 있기 때문에, 학습 데이터의 질에 큰 영향을 받으며, 데이터의 편향은 AI의 성능을 크게 좌우하는 요인이 된다.

한편, 양자 컴퓨터는 양자역학의 원리에 근거하여 작동하는 컴퓨터다. 기존 컴퓨터에서는 불가능한 병렬 계산이 가능하며, 복잡한 문제를 빠르게 해결할 수 있을 것으로 기대된다.

특히 재료 과학이나 약학 분야에서는 양자 컴퓨터를 사용하여 시뮬레이션함으로써 새로운 물질을 발견하거나 약제를 개발하는 속도를 높일 수 있다.

기존 컴퓨터에서는 계산량이 방대해지기 때문에, 근사치를 이용하여 계산하는 것이 일반적이었다. 하지만 양자 컴퓨터는 그러한 근사치의 정밀도를 크게 높일 수 있어, 더욱 정확한 시뮬레이션을 할 수 있다.

2. 양자 컴퓨팅과 AI의 교차점

양자 컴퓨팅과 인공지능(AI)의 융합은 기술이 혁신적으로 전환되는 길을 열고 있다. 양자 AI로 알려진 이 획기적인 조합은 양자 컴퓨팅의 방대한 계산 능력과 AI의 적응 능력 및 문제 해결 능력을 통합한다.

이것은 단계적인 개선이 아니라 획기적인 비약이다. 이러한 2가지 기술을 조합함으로써 가장 강력한 기존의 컴퓨터에서도 대응할 수 없는 문제를 해결할 가능성이 있다.

기존 컴퓨터가 이진법의 비트를 사용하는 데 반해, 양자 컴퓨터는 양자 비트(qubit)를 사용한다. 이로 인해 양자 컴퓨터는 얽힘이나 중첩 등의 원리를 이용하여 동시에 여러 상태로 존재할 수 있다.

양자 컴퓨터는 충분한 수의 양자 비트가 있으면 이론상 현재 가장 빠른 마이크로 칩 컴퓨터보다 수백만 배 빠르게 작동할 수 있다. 그 결과 양자 컴퓨터는 분자 시뮬레이션 및 최적화 태스크 등의 복잡한 문제를 기존 시스템보다 훨씬 효율적으로 처리할 수 있다.

양자 AI가 산업에 혁명을 가져와 복잡한 문제를 해결하게 될 가능성이 있다면 그것을 방해하는 요인도 있기 마련이다.

<그림1> 인텔의 12 양자 비트 칩

자료 : 인텔(Intel)

큰 과제 중 하나는 현재의 양자 컴퓨터의 양자 비트(qubit) 용량이 한정되어 있다는 점이다. 이로 인해 AI 모델의 기반이 되는 대량의 데이터세트를 처리할 수 없다. 이러한 한계를 극복하려면 양자 상태를 더 길게 유지할 것, 노이즈 간섭을 줄이는 것, 양자 비트의 결합성을 향상시키는 것 등 물리적 및 기술적인 과제를 해결해야 한다.

또한 양자 컴퓨터는 기존 컴퓨터와는 동작이 크게 다르기 때문에, 기존 프로그래밍 언어가 익숙한 개발자들이 어렵게 느낄 수 있다. 양자 컴퓨팅을 더욱 친숙하게 만들려면 전문적인 알고리즘이나 사용자 친화적인 툴이 개발되어야 한다.

양자 AI에는 오류 수정이라는 더 큰 과제가 있다. 양자 컴퓨터는 양자 상태가 파괴되기 쉬운 성질을 가지기 때문에 오류의 영향을 쉽게 받는다. 온도 변화나 전자파 간섭 등의 방해 요인으로 인해 큐빗이 코히런스를 잃고 부정확한 계산을 하게 되어 시스템의 정밀도가 떨어질 수 있다.

이러한 과제를 해결하기 위해 IBM이나 마이크로소프트 등 대형 테크놀로지 기업과 IonQ나 D-Wave Systems와 같은 신흥 기업이 양자 컴퓨팅의 한계에 도전하고 있다.

Google은 양자 컴퓨팅의 오류를 최첨단 정밀도로 특정하는 AI를 탑재한 디코더 ‘Alpha Qubit’을 발표했다. ‘Nature’지에서 발표된 논문에서는 이 획기적인 기술을 Google DeepMind의 기계학습(ML)에 대한 전문 지식과 Google Quantum AI의 오류 수정에 대한 지식을 활용하는 공동 작업의 성과라고 하였다.

<그림2> AlphaQubit의 오류 수정 및 교육

자료 : Google, https://quantumcomputingreport.com/

AlphaQubit은 여러 개의 양자 비트를 하나의 논리 양자 비트로 그룹화하고 정기적으로 정합성을 확인함으로써 오류 정정 문제에 대처하는 것을 목적으로 한다. 이러한 확인을 통해 오류를 특정하고, 양자 정보를 유지하기 위해 오류를 수정할 수 있다.

Google은 AlphaQubit이 뉴트럴 네트워크를 사용하여 오류를 예측하고 수정할 수 있다고 주장한다. Google의 양자 프로세서 Sycamore의 데이터로 훈련된 AlphaQubit은 지금까지의 디코더보다 뛰어난 성능을 발휘한다.

Google에 따르면, 텐서 네트워크 방식에 비해 오류를 6% 절감하고, 상관 매칭 방식에 비해서는 30%를 절감할 수 있다고 한다.

Google DeepMind와 양자 AI 팀은 양자 컴퓨터가 현재 이용할 수 있는 것보다 훨씬 발전할 것으로 기대하고 있다.

‘AlphaQubit이 더 큰 디바이스에서 오류 레벨을 낮게 유지할 수 있을지 확인하기 위해, 시카모어 플랫폼에서 이용할 수 있는 것을 능가하는 최대 241 양자 비트의 양자 시스템 시뮬레이션 데이터를 사용하여 AlphaQubit을 훈련했다.

이번에도 AlphaQubit는 주요 알고리즘 디코더를 능가하는 성능을 나타내며, 미래에 중형 양자 디바이스에서도 기능할 수 있음을 보여주었다. 또한 구글의 시스템은 입력과 출력의 신뢰도를 받아들이고 보고하는 능력 등 고도의 기능도 실증했다.

기계학습은 양자 AI에서의 오류를 수정하는 해결책이며, 연구자는 아직 극복하지 못한 다른 과제에 임할 수 있게 된다.

양자 AI 시스템의 잠재적인 능력을 완전히 끌어내려면 아직은 몇 년이 더 걸릴지도 모르겠지만, 그 기초는 구축되어 가고 있다. 기업, 개인, 정책 입안자는 양자 AI가 각각의 분야에 미치는 잠재적인 영향에 대해 검토해야 한다.