양자 머신러닝 (QML, Quantum Machine Learning)

양자 머신러닝 (QML, Quantum Machine Learning)

양자 컴퓨팅의 양자 중첩, 얽힘, 간섭 등 양자역학적 특성을 활용하여 머신러닝 알고리즘을 가속하거나 새로운 학습 패러다임을 구현하는 융합 기술 분야 (137컴시 출제)

양자 회로 기반 ML

• •양자 회로(Quantum Circuit): 큐비트에 양자 게이트를 적용하여 연산 수행
• •VQC(Variational Quantum Circuit): 파라미터화된 양자 회로, 고전적 옵티마이저로 파라미터 최적화
• •데이터 인코딩: 고전 데이터를 양자 상태로 변환 (Amplitude/Angle Encoding)
• •측정: 양자 상태를 고전 비트로 변환하여 결과 추출

주요 알고리즘

• •QSVM(Quantum SVM): 양자 커널로 고차원 특징 공간 매핑, 분류 문제
• •QNN(Quantum Neural Network): 양자 회로 기반 신경망, VQC 구조
• •QAOA(Quantum Approximate Optimization): 조합 최적화 문제 근사 해법
• •양자 PCA: 양자 위상 추정 기반 주성분 분석 가속

양자 이점(Quantum Advantage)

• •지수적 상태 공간: n큐비트 = 2^n 상태 동시 표현 (병렬성)
• •고차원 커널: 고전적으로 계산 불가능한 커널 함수 효율적 계산
• •탐색 가속: Grover 알고리즘 기반 √N 탐색 속도 향상

비교: 기존 ML(비트/순차·GPU병렬/유한차원/CPU·GPU·TPU/상용화완료) vs 양자 ML(큐비트중첩/양자고유병렬/지수적차원/양자프로세서NISQ/연구초기단계)

한계: NISQ(Noisy Intermediate-Scale Quantum) 시대 노이즈 문제, 큐비트 수 제한(수백~수천), 오류 정정 비용, 데이터 인코딩 병목, 양자 이점 입증 사례 제한적

도구/프레임워크: PennyLane(Xanadu), Qiskit Machine Learning(IBM), TensorFlow Quantum(Google), Cirq

연관: 양자 컴퓨팅, SVM, 신경망, 최적화, 차원축소

특징: 양자 중첩/얽힘 활용, 지수적 상태 공간, NISQ 시대 노이즈 한계, 고전-양자 하이브리드

적용사례: 분자 시뮬레이션(약물 발견), 금융 포트폴리오 최적화(QAOA), 이미지 분류 실험(QSVM)