1936년 시작된 이후로 한 세기가 채 되기 전에 전통적인 컴퓨팅은 전 세계 거의 모든 산업에 혁신을 일으켰습니다. 전통적인 컴퓨팅이 새로운 분야에 자리를 내주게 되면서 AI(인공 지능)가 차세대 혁신을 이끌게 될 것입니다.
AI 분야가 혁신되면서 AI가 기존의 컴퓨팅 속도와 전력 효율의 경계를 지속적으로 확장함에 따라 전통적인 컴퓨팅의 한계가 빠르게 드러나고 있습니다. 자율 주행 차량, 화학 반응 시뮬레이션 및 3D 동적 시뮬레이션에 사용되는 것과 같은 복잡한 소프트웨어 애플리케이션은 계속해서 전통적인 컴퓨팅 기술의 성능을 강화하고 있습니다.
여기서는 양자 컴퓨팅과 전통적인 컴퓨팅 간의 본질적인 차이를 살펴보고, 자율 주행 차량 및 기타 계산 집약적인 소프트웨어 애플리케이션에서 AI 알고리즘을 개선할 수 있는 양자 컴퓨팅의 잠재성을 알아보겠습니다.
양자 컴퓨팅이란 무엇일까요?
양자 컴퓨팅은 전통적인 컴퓨팅을 대체하지 않습니다. 실제 컴퓨팅 작업에서 전통적인 컴퓨터의 성능이 양자 컴퓨터보다 우수합니다. 그러나 양자 컴퓨터는 어려운 계산 문제를 해결하는 점에서 그 우수성이 발휘됩니다.
전통적인 컴퓨터는 데이터를 처리하기 위해 이진 트랜지스터 "비트"(0 또는 1)를 사용하는 반면, 양자 컴퓨터는 세 가지 다른 상태를 나타내는 큐비트라고 하는 양자 비트를 사용합니다. 큐비트의 세 번째 상태를 "중첩"이라고 하며, 이를 통해 큐비트는 0과 1을 동시에 표시합니다.
세 번째 중첩 상태가 주어지면 양자 컴퓨팅 성능은 큐비트 수에 따라 기하급수적으로 늘어나는 반면, 컴퓨터 성능은 트랜지스터 비트 수에 따라 1:1 비율로 늘어납니다. 예를 들어 클래식 비트가 두 개 있는 경우, 가능한 값 조합의 총 개수는 네 개(00, 01, 10, 11)입니다.
그러나 두 개의 큐비트는 네 개의 상태를 중첩하여 표시할 수 있으며, 두 개의 큐비트의 총 조합은 서로 다른 8개의 상태가 됩니다. 따라서 "N"개의 큐비트에 저장된 정보는 "2^N"개의 클래식 비트에 저장된 데이터와 동일합니다.
이 정보를 관련성이 높은 데이터 기억장치 번호로 변환해 보면 3큐비트는 8비트(1바이트), 13큐비트는 8,192비트(1킬로바이트)가 됩니다. 큐비트를 사용하여 1테라바이트(8.8x10^12비트)의 정보를 저장한다면 큐비트가 43개만 있으면 됩니다!
이렇게 뛰어난 컴퓨팅 성능 이점을 고려해 볼 때 양자 컴퓨터는 복잡한 계산 문제에 더 적합합니다. 여기에는 화학 반응 시뮬레이션, 약물 확인, 멀티 스톱 물류 및 인공 지능 알고리즘 등의 최적화 문제가 포함됩니다. 자율 주행 차량 교육 분야에서 전통적인 데이터 센터에 비해 훨씬 더 많은 교육 데이터를 저장하고 처리할 수 있음을 의미하며, 더 많은 데이터를 사용하여 모델을 교육하고 이를 통해 더 정확한 모델을 신속하게 만들 수 있습니다.
2019년에 Google은 "Sycamore"라는 54큐비트 프로세서를 실험했는데, 이는 세상에서 가장 빠른 슈퍼컴퓨터를 기준으로 했을 때 10,000년이 걸렸을 계산 실험의 완료를 목표로 했습니다. Sycamore는 200초 만에 실험을 수행했습니다. 자율 주행 차량의 AI 모델 교육 애플리케이션에서 양자 컴퓨터는 10,000년이 걸리는 교육 데이터를 200초 만에 처리할 수 있어 AV 모델 트레이너에게 더 많은 기회를 줄 수 있습니다.
양자 AI란 무엇일까요?
AI는 소프트웨어의 새로운 혁신입니다. 오늘날 AI에는 많은 측면과 하위 장르가 있지만, 잠재력에 비해 아직 초기 단계이며 AI의 발전은 많은 경우 느리게 진행됩니다.
인공 지능 교육 모델은 개발하고 사용하고 반복하기가 매우 복잡합니다. 이러한 알고리즘을 실행하려면 복잡성에 따라 몇 시간, 며칠, 몇 주 또는 몇 개월이 걸릴 수 있습니다. 오늘날 자율 주행 차량의 '완전 주행을 향한 경주'는 AI의 정점으로 꼽히며 오랫동안 많은 AI 교육 모델을 검증하는 수단이었습니다. 양자 AI는 결승선을 넘어 자율 주행 차량 AI 교육 모델을 강화하는 솔루션이 될 수 있습니다.
양자 AI는 전통적인 컴퓨팅에 대한 최신 AI의 제약을 완화하는 것을 목표로 합니다. 최적화 알고리즘과 모델은 대부분의 AI에 기본이지만, 기존의 계산 성능은 많은 교육 모델을 효율적으로 완료하는 데 한계가 있습니다.
머지않아 양자 컴퓨팅을 사용하여 매우 까다로운 컴퓨팅 프로세스의 계산 속도를 향상하고 기존의 계산 기반에 대한 새로운 통찰력을 얻을 수 있습니다.
예를 들어 Tesla 자율 주행 차량의 신경망을 교육하려면 엄청난 양의 병렬 컴퓨팅과 방대한 데이터 집합이 필요합니다. 실제로 Tesla는 자율 주행 차량 알고리즘을 교육하기 위한 수단으로 매일 테라바이트 단위의 데이터를 수집합니다. 하드웨어 계산의 한계를 감안할 때 이러한 최신 자율 주행 차량의 신경망을 교육하는 데이터 센터에서 신경망의 하위 섹션만 교육할 수 있는 경우가 자주 있습니다.
이 예에서 Tesla의 전체 신경망을 완전히 재교육하는 것은 너무 비효율적일 수 있습니다. 그러나 양자 컴퓨터는 지구상의 어떤 데이터 센터도 따라올 수 없는 기록적인 병렬 계산 속도를 달성할 수 있기 때문에, 양자 컴퓨팅으로 Tesla와 같은 복잡한 신경망을 단 몇 분 만에 교육할 수 있습니다.
양자 과제
오늘날 양자 컴퓨팅용 소프트웨어는 하드웨어 성능보다 휠씬 뒤쳐져 있습니다. 양자 기반의 AI 초기 단계는 1936년 이후 서서히 개발된 기존의 교육 알고리즘과 컴퓨팅 방법론에 의해 제약을 받기 때문입니다. 계산 방법(비트 대 큐비트)의 근본적인 차이를 고려해 보면 이러한 교육 알고리즘의 고유한 가치는 양자 컴퓨터를 통해 실현될 수 없습니다.
따라서 양자 컴퓨터의 계산 능력을 활용하기 위해서는 새로운 양자 알고리즘을 만들어야 합니다. HLL 알고리즘(선형 수식 시스템을 위한 양자 알고리즘)과 같은 머신 러닝 기반의 양자 알고리즘이 매우 발전해 왔습니다.
최근 연구 그룹에서는 언젠가 더 유용하다는 것이 증명될지도 모르는 양자 심층 신경망 교육 알고리즘에 대한 연구를 시작했습니다. 한 가지는 확실합니다. 양자 AI 교육 알고리즘이 개발되고 반복되면, 양자 컴퓨터는 차세대 자율 주행 차량, 컴퓨터 기반의 화학 및 미래의 양자 시스템의 시뮬레이션을 교육하는 데 도움이 될 수 있는 뛰어난 처리 속도를 보유하게 됩니다.
