Physics-inspired Generative AI models via real hardware-based noisy quantum diffusion

급격히 진화하는 인공지능의 세계에서, 새로운 독창적인 콘텐츠를 만드는 데 탁월한 능력을 갖춘 특정 유형의 컴퓨터 프로그램이 등장했습니다. 생성 모델(generative models)이라고 불리는 이 시스템은 수천 장의 사진과 같은 기존 데이터 집합 속에 숨겨진 패턴을 학습하며, 그 지식을 사용하여 실제처럼 보이는 새로운 이미지를 발명해 냅니다. 이를 수행하는 가장 강력한 방법 중 하나는 확산 모델(diffusion model)이라 불립니다. 선명한 이미지가 마치 텔레비전의 눈(static noise)과 같은 무작위 노이즈로 천천히, 단계적으로 변하는 과정을 상상해 보십시오. 확산 모델은 이 과정을 역으로 수행하는 법을 학습합니다. 이 모델은 화면 가득한 무작위 노이즈로부터 시작하여, 단계적으로 혼돈을 벗겨내어 하나의 일관된 그림이 나타나도록 훈련됩니다. 이 기술은 현대의 창의적 기술의 초석이 되었으며, 멋진 시각 자료와 소리를 만들어낼 수 있습니다.

동시에, 과학자들은 양자 역학의 기묘한 법칙에 기반한 또 다른 종류의 컴퓨팅 파워를 탐구하고 있습니다. 매일 사용하는 일반적인 컴퓨터가 정보를 단순한 온/오프 스위치로 처리하는 것과 달리, 양자 컴퓨터는 동시에 여러 상태로 존재할 수 있는 입자를 사용합니다. 이를 통해 양자 컴퓨터는 고전적 기계가 할 수 없는 방식으로 특정 복잡한 문제들을 해결할 수 있습니다. 그러나 현재의 양자 컴퓨터는 아직 초기 단계에 머물러 있습니다. 이들은 작고 취약하며, '양자 노이즈'라고 알려진 현상으로 인해 발생하는 오류에 노출되기 쉽습니다. 이 노이즈는 보통 계산을 방해하며, 연구자들이 이를 수정하거나 숨기기 위해 막대한 자원을 쏟아붓게 만듭니다. 새로운 연구 라인을 이끄는 질문은, 이 노이즈가 많은 양의 결함을 가진 기계들이 유용해질 때까지 기다려야 하는지, 아니면 결함이 있음에도 불구하고 무언가 유용한 일을 할 수 있는지에 대한 것입니다.

피렌체 대학교와 여러 기관의 연구진은 이 질문에 답하기 위해 대담한 발걸음을 내디뎠습니다. 그들은 양자 컴퓨터의 노이즈를 제거하려고 노력하는 대신, 그것을 도구로 사용하기로 결정했습니다. 그들은 실제의 불완전한 양자 프로세서에서 직접 실행되는 이미지 생성 AI를 구축하는 새로운 방법을 개발했습니다. 그들의 연구는 일반적으로 양자 계산을 망가뜨리는 바로 그 노이즈가 실제로 생성 모델이 더 나은 이미지를 만드는 데 도움을 줄 수 있다는 것을 시사합니다. 이들은 양자 노이즈를 버그가 아닌 기능(feature)으로 취급함으로써, 미래의 하드웨어를 기다리기보다 오늘날 우리가 가진 하드웨어로 작동하는 인공지능의 길을 제시했습니다.

연구진은 정보가 네트워크를 통해 어떻게 이동하는지 연구하는 것부터 시작했습니다. 그들의 모델에서, 각 이미지의 픽셀은 지도 위를 이동하는 여행자로 취급되었습니다. 표준 컴퓨터에서 이 여행자는 다음 거리를 결정하기 위해 동전을 던지는 사람처럼 무작위로 이동합니다. 이는 느린 확산 과정입니다. 그러나 양자 시스템에서 여행자는 동시에 여러 곳에 존재할 수 있으며, 훨씬 빠르게 퍼져나가는 파동 형태의 패턴을 그리며 지도를 통과합니다. 연구팀은 여행자의 움직임이 고전 컴퓨터의 느리고 무작위적인 단계와 양자 컴퓨터의 빠르고 파동적인 확산이 혼합된 하이브리드 시스템을 만들었습니다. 그들은 이 두 가지 행동을 적절하게 균형 있게 맞추었을 때, 시스템이 이미지의 가능성을 더 효율적으로 탐색한다는 것을 발견했습니다.

이를 테스트하기 위해, 그들은 필기체 숫자를 생성하는 데 집중했는데, 이는 인공지래의 표준 테스트입니다. 그들은 표준 AI 프로세스의 무작위 노이즈 주입 단계를 자신들의 새로운 양자 영감 방식(quantum-inspired method)으로 대체했습니다. 연구의 첫 번째 단계에서, 그들은 다양한 양자 및 고전적 행동의 혼합이 어떻게 성능을 내는지 확인하기 위해 강력한 고전 컴퓨터에서 이 과정을 시뮬레이션했습니다. 그들은 양자 효과가 존재하지만 압도적이지 않은 특정 혼합 비율이 최상의 결과를 낸다는 것을 발견했습니다. 이 하이브리드 방식으로 생성된 이미지는 순수 고전적 방식이 만든 이미지보다 통계적으로 실제 훈련 데이터에 더 가까웠습니다. 또한 이 시스템은 더 일관되어, 많은 시도에 걸쳐 고품질의 결과를 더 안정적으로 생산했습니다.

이 시뮬레이션에 고무된 팀은 다음 단계로 실제 하드웨어에서 실험을 진행했습니다. 그들은 IBM의 실제 양자 프로세서를 사용했는데, 이 기계는 현재 불과 몇 백 개의 큐비트(양자 정보의 기본 단위)만을 포함하고 있습니다. 이 특정 기계는 노이즈가 많은 것으로 알려져 있으며, 즉 환경에 의해 계산이 자주 방해받습니다. 연구진은 이미지를 생성하기 위해 단 4개의 큐비트만을 사용하는 회로를 설계했습니다. 그들은 픽셀의 서로 다른 회색 농도를 8개의 지점으로 이루어진 작은 루프 또는 사이클 상의 위치에 매핑했습니다. 그런 다음 양자 컴퓨터는 '워커(walker)'가 이 루프를 따라 이동하는 과정을 실행했으며, 이때 기계의 자연스러운 노이즈가 데이터를 통제된 방식으로 뒤섞는 데 도움을 주었습니다.

결과는 놀라웠습니다. 현재 하드웨어의 한계에도 불구하고, 양자 컴퓨터는 필기체 숫자를 성공적으로 생성했습니다. 이미지가 완벽하지는 않았지만, 이 실험은 양자 장치가 생성 모델의 순방향 과정을 구동하는 데 사용될 수 있음을 증명했습니다. 연구진은 기계에 내재된 노이즈가 AI가 나중에 역으로 학습할 수 있는 방식으로 데이터를 오염시키는 데 도움이 된다는 것을 발견했습니다. 이는 과학자들이 깨끗한 신호를 얻기 위해 노이즈를 억제하는 데 수년을 소비하는 일반적인 양자 컴퓨팅 접근 방식과는 크게 다른 점입니다. 여기서 노이зу는 프로세스의 엔진이었습니다.

이 연구는 또한 이 접근 방식의 실질적인 이점을 강조했습니다. 양자 부분이 이미지의 강도 수준만을 처리해야 했기 때문에, 필요한 큐비트의 수는 이미지의 크기에 따라 늘어나지 않았습니다. 그들은 단 4개의 큐비트를 사용하여 28x28 픽셀의 전체 이미지를 생성할 수 있었습니다. 이러한 확장성은 작은 노이즈가 있는 양자 컴퓨터라도 결국 훨씬 더 크고 복잡한 이미지를 생성하는 데 기여할 수 있음을 시사합니다. 연구팀은 실제 하드웨어에서 생성된 이미지가 시뮬레이션보다 약간 덜 선명했지만, 이는 기계의 물리적 제약을 고려할 때 이해할 수 있는 부분이라고 언급했습니다.

궁극적으로, 이 작업은 양자 인공지능의 미래에 대한 새로운 관점을 제공합니다. 이는 양자 컴퓨터가 유용해지기 전에 반드시 완벽해야 한다는 생각에 도전합니다. 실제 양자 장치의 노이즈를 활용하여 생성된 데이터의 품질을 높일 수 있음을 보여줌으로써, 연구진은 새로운 종류의 하이브리드 컴퓨팅으로 가는 문을 열었습니다. 그들의 발견은 우리가 양자 AI의 혜택을 보기 위해 결함 없는 양자 기계를 기다릴 필요가 없다는 것을 시사합니다. 대신, 우리는 오늘날의 기술이 가진 불완전하고 노이즈가 많은 특성을 받아들여 새롭고 유용한 것을 만들어내는 시스템을 지금 바로 구축할 수 있습니다. 앞으로의 과제는 이러한 방법들을 정교화하는 것이며, 아마도 서로 다른 기계의 구체적인 노이즈 유형을 더 잘 이해하는 방향이 될 것입니다. 하지만 노이즈가 장벽이 아니라 자원이 될 수 있다는 핵심 아이디어는 이미 입증되었습니다.