🤖 machine learning

QeHDC: Hyperdimensional Computing based on Quantum-enhanced binding and SuperClass Construction

본 논문은 기존의 고전 및 양자 방식과 비교하여 우수한 분류 성능, 노이즈 강건성 및 계산 효율성을 달성하기 위해 정현파 및 양자 인코딩을 이용한 원패스 학습, 참조 상태 기반 결합 연산, 그리고 밀도 행렬 기반 상위 클래스 생성 전략을 활용하는 새로운 양자 강화 초차원 컴퓨팅 프레임워크인 QeHDC를 제안한다.

원저자: Yangjie Xu, Hui Huang, Li Ning, Radu State

게시일 2026-06-23

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yangjie Xu, Hui Huang, Li Ning, Radu State

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 모든 책이 몇 개의 키워드로 설명되는 것이 아니라, 고유하고 빛나는 10,000차원의 "지문(fingerprint)"으로 묘사되는 거대한 도서관을 정리하려고 노력하고 있다고 상상해 보십시오. 이것이 **초고차원 컴퓨팅(Hyperdimensional Computing, HDC)**의 기본 개념입니다. 이는 인간의 뇌를 모방하여 생각하는 방식입니다. 즉, 거대하고 복잡한 고차원 벡터를 사용하여 개념을 표현합니다. 이 방식은 매우 강력한데, 그 이유는 지문의 일부가 조금 번지거나 훼손되더라도 여전히 그 책을 알아볼 수 있을 만큼 견고하기 때문이며, 또한 빠릅니다.

하지만 도서관이 커질수록, 이 거대한 지문들을 관리하는 것은 전통적인 컴퓨터에게 악몽이 됩니다. 속도는 느려지고 메모리는 바닥납니다.

여기서 이 논문의 저자들이 QeHDC를 제안합니다. 이것을 도서관의 분류 시스템을 업그레이드하는 것이라고 생각하십시오. 양자 역학(매우 작은 세계의 물리학)을 사용하여 지문을 더 작고, 더 똑똑하며, 더 빠르게 처리할 수 있도록 만드는 것입니다.

저자들이 이를 어떻게 수행했는지, 간단한 단계별로 나누어 설명하겠습니다.

1. "축소 광선" 인코더 (2단계 하이브리드 인코더)

기존 방식에서는 10,000차원의 지문을 얻기 위해 많은 컴퓨터 메모리가 필요했습니다.

새로운 기술: 저자들은 "축소 광선"을 만들었습니다. 그들은 데이터를 가져와 먼저 표준 수학 기법(무작위 투영)을 사용하여 확장한 다음, 특수한 양자 "렌즈"(사인파 인코딩)를 사용하여 그 거대한 지문을 단 몇 개의 큐비트(양자 비트)에 들어갈 정도로 아주 작게 압축합니다.
비유: 100페이지짜리 소설을 하나의 복잡한 종이접기 학으로 압축한다고 상상해 보십시오. 학은 아주 작지만, 그것을 펼치기만 하면 그 안에 담긴 모든 이야기를 여전히 간직하고 있습니다. 이는 엄청난 공간을 절약해 줍니다.

2. "양자 풀" (참조 상태 기반 결합)

도서관에서는 "책"과 그 "저자"처럼 두 가지를 하나로 묶어야 할 때가 많습니다. 일반적인 컴퓨팅에서는 이를 위해 숫자를 곱하는데, 이는 느립니다.

새로운 기술: 저자들은 양자 회로를 사용하여 사물들을 붙이는 새로운 방법을 발명했습니다. 단순히 숫자를 곱하는 대신, "참조 상태"(특별히 미리 만들어진 닻)와 양자 게이트(입자들의 특정한 춤과 같은 것)의 집합을 사용하여 데이터를 하나로 접착합니다.
비유: 당신이 두 개의 퍼즐 조각을 가지고 있다고 상상해 보십시오. 억지로 힘을 주어 끼워 맞추려다 보면(그 과정에서 조각이 부서질 수 있습니다) 대신, 특수한 자석 풀(참조 상태)을 사용하여 두 조각이 완벽하고 즉각적으로 딱 맞물리게 합니다. 이 "풀"은 기존 방식보다 훨씬 효율적입니다.

3. "마스터 청사진" (상위 클래스 구축)

특정 카테고리(예: 모든 "공상 과학 소설")에 대한 모든 "책"을 하나로 접착했다면, 이제 컴퓨터가 공상 과학 소설이 무엇인지 알 수 있도록 이를 하나의 "마스터 청사진"으로 요약하는 방법이 필요합니다.

새로운 기술: 그들은 **밀도 행렬(Density Matrix)**이라는 수학적 도구를 사용합니다. 이것은 모든 공상 과학 소설의 사진을 한꺼번에 찍은 뒤, 약간 흐릿하게 처리하여 공통된 "핵심" 특징을 찾아내고, 가장 중요한 특징들을 골라내어 하나의 완벽한 "상위 클래스(SuperClass)" 템플릿을 만드는 것과 같습니다.
비유: 만약 당신이 100명에게 "개"를 그려달라고 요청한다면, 100개의 서로 다른 그림이 나올 것입니다. 저자들의 방식은 이 100개의 그림을 모두 가져와서 공통된 선(귀, 꼬리, 코의 형태)을 찾아내고, 전체 집단을 대표하는 하나의 완벽한 "이상적인 개" 그림을 만들어냅니다.

4. "원패스(One-Pass)" 학습

전통적인 AI(딥러닝과 같은)는 학생이 교과서를 읽고, 시험을 보고, 낙제하고, 다시 공부하고, 이를 수천 번 반복해야 하는 과정과 같습니다.

새로운 기술: QeHDC는 책을 단 한 번 읽고 핵심 패턴을 즉시 이해하여 바로 시험을 치를 준비가 된 천재 학생과 같습니다.
이점: 이는 믿을 수 없을 정도로 빠르며, 막대한 컴퓨팅 능력을 필요로 하지 않습니다.

5. 실제 환경 테스트

저자들은 단순히 이론적으로만 이 작업을 수행하지 않았습니다. 그들은 두 가지 방식으로 시스템을 테스트했습니다.

완벽한 시뮬레이터: 노이즈나 오류가 없는 매우 정확한 컴퓨터 시뮬레이션(Qiskit Aer)에서 실행했습니다.
실제 기기: 오늘날 존재하는 실제 양자 컴퓨터(IBM QPU)에서 작은 버전을 실행했습니다. 이러한 기기들은 "노이즈"가 많아(오류가 발생하기 쉬워) 마치 바람이 몰아치는 폭풍 속에서 책을 읽는 것과 같습니다.

결과: 실제 하드웨어의 "바람 부는 폭풍" 속에서도 그들의 방식은 놀라울 정도로 잘 작동했습니다. 높은 정확도로 패턴을 인식했으며, 이는 이 양자 접근 방식이 단순한 이론이 아니라 실제 현재 기술에서도 작동한다는 것을 증명합니다.

요 요약

이 논문은 양자 역학을 사용하여 데이터를 압축하고, 개념을 결합하며, 카테고리를 위한 "마스터 청사진"을 만듦으로써, 새로운 유형의 컴퓨터 뇌를 구축했다고 주장합니다. 이 뇌는 기존 방식보다 더 빠르고, 메모리를 적게 사용하며, 현재 우리가 가진 작고 불완전한 양자 컴퓨터에서도 **더 견고(오류에 강함)**합니다. 그들은 표준 데이터셋(필기 숫자 인식 및 음성 문자 인식 등)을 통해 테스트를 진행했으며, 기존의 최선 방식들과 대등하거나 그 이상의 성능을 보여주었습니다.

기술 요약: QeHDC – 양자 강화 하이퍼디멘셔널 컴퓨팅 (Quantum-enhanced Hyperdimensional Computing)

문제 정의
하이퍼디멘셔널 컴퓨팅(HDC)은 정보 표현 및 처리를 위해 고차원 벡터(통상적으로 10,000차원 이상)를 활용하는 강력하고 노이즈에 강한 계산 패러다임이다. 효과적이기는 하나, 클래식 HDC는 데이터 규모와 차원이 증가함에 따라 저장 공간 및 계산 복잡성 측면에서 상당한 병목 현상에 직면한다. 전통적인 바인딩 연산(예: 순환 컨볼루션)은 종종 $O(N^2)$ 의 복잡도를 요구하며, 고차원 벡터를 표현하기 위해서는 막대한 메모리가 필요하다. 저자들은 양자 역학적 특성, 특히 중첩(superposition), 얽힘(entanglement), 그리고 블로흐 구(Bloch sphere)의 기하학적 성질을 활용함으로써 이러한 구조적 한계를 극복하고 지수적인 차원 압축과 더 효율적인 특징 상호작용을 제공할 수 있다고 주장한다.

방법론: QeHDC 프레임워크
제안된 양자 강화 하이퍼디멘셔널 컴퓨팅(QeHDC) 프레임워크는 클래식 데이터 처리와 양자 회로 연산을 네 가지 핵심 모듈을 통해 통합한다:

2단계 하이브리드 인코더 (2-Step Hybrid Encoder):
- 클래식 변환: 입력 벡터 $X \in \mathbb{R}^d$ 는 무작위 가중치 행렬과 편향 항을 사용하여 타겟 차원 $n = 2^N$ ( $N$ 은 큐비트 수)으로 투영된다.
- 양자 인코딩: 투영된 값들은 "교차 곱셈적(Cross-Multiplicative)" 사인 함수 변환( $\Phi_{re} = \cos(Z')\sin(Z)$ , $\Phi_{im} = \sin(Z')\cos(Z)$ )을 통해 복소수 값의 양자 상태로 매핑된다. 이는 복소 공간에서 균일한 위상각 분포를 보장하며, 이후 초기 양자 상태 $|\Psi\rangle$ 를 형성하도록 정규화된다. 이 단계는 클래식 고차원에서 로그 스케일의 큐비트로 데이터 표현 차원을 암시적으로 축소한다.
참조 상태 기반 양자 바인딩 (Reference-State-Based Quantum Binding):
- 클래식 바인딩과 관련된 지수적인 큐비트 증가를 피하기 위해, 저자들은 압축된 바인딩 연산을 도입한다.
- 입력 상태 $|\Phi_{in}\rangle$ 는 특정 양자 회로를 사용하여 사전 정의된 참조 상태 $|\Phi_{ref}\rangle$ 와 결합(bound)된다.
- 이 회로는 두 레지스터 간의 대응하는 큐비트 사이에 $\pi/4$ 회전각을 갖는 제어 RX (CRX) 게이트를 사용하며, 이어서 참조 레지스터 내에서의 단일 큐비트 RY 회전 및 체인 얽힘(CX 게이트)을 수행한다. 이를 통해 고도로 얽힌 압축된 양자 표현 $|\Psi_{comp}\rangle$ 를 생성한다.
밀도 행렬 기반 슈퍼클래스 생성 (Density-Matrix-Based SuperClass Generation):
- 벡터의 평균을 구하는 대신, 프레임워크는 해당 클래스 $c$ 에 속하는 모든 결합된 샘플 상태의 밀도 행렬을 집계하여 "슈퍼클래스(SuperClass)" 템플릿을 구축한다: $\rho_c = \frac{1}{m} \sum |\Psi_i\rangle\langle\Psi_i|$ .
- $\rho_c$ 에 대해 고유값 분해(eigenvalue decomposition)가 수행된다. 가장 큰 고유값( $\lambda_{max}$ )에 대응하는 고유벡터가 대표적인 슈퍼클래스 템플릿 상태 $|\Phi_{template}\rangle$ 로 선택된다. 이 전략은 핵심적인 통계적 특징을 추출하고 견고성을 향상시킨다.
단일 패스 학습 및 분류 (Single-Pass Training and Classification):
- 모델은 슈퍼클래스 템플릿을 구축하기 위해 단 한 번의 데이터 순회만을 요구하는 단일 패스 학습 메커니즘을 활용하며, 반복적인 역전파(backpropagation)를 피한다.
- 분류: 테스트 샘플에 대해 동일한 인코딩 및 바인딩 프로세스가 적용된다. 클래스 레이블은 사전 계산된 각 슈퍼클래스 템플릿과 테스트 결합 상태 사이의 양자 상태 충실도(fidelity)를 계산하여 예측된다. 충실도가 가장 높은 클래스가 선택된다.
- 실행: 프레임워크는 이상적인 노이즈 없는 시뮬레이터(Qiskit Aer)와 실제 하드웨어(IBM QPU) 모두에서 검증되며, 여기서 양자 상태 토모그래피(quantum state tomography)를 사용하여 밀도 행렬을 재구성하고 충실도를 계산한다.

주요 기여

차원 압축: 양자 상태가 전통적인 고차원 벡터 공간을 단 $\log_2 N$ 개의 큐비트만으로 표현할 수 있음을 입증하여 자원 오버헤드를 크게 줄였다.
새로운 바인딩 메커니즘: 제어 회전 및 얽힘 게이트를 사용하는 참조 상태 기반 양자 바인딩 연산을 도입하였으며, 이는 지수적인 큐비트 비용 없이 효율적인 데이터 연관을 달계한다.
슈퍼클래스 구축: 고유값 분해를 사용하여 견고하고 대표적인 클래스 템플릿을 만드는 밀도 행렬 기반 슈퍼클래스 생성 전략을 제안하여 일반화 성능을 높였다.
교차 플랫폼 검증: 알고리즘을 고충실도 시뮬레이터와 물리적 IBM 양자 프로세서 모두에서 검증하는 완전한 실험 검증 시스템을 제공하여, NISQ 시대에서의 실현 가능성을 입증했다.

실험 결과
저자들은 ISOLET(음성), MNIST(필기 숫자), UCI HAR(인간 활동 인식)의 세 가지 벤치마크 데이터셋에 대해 QeHDC를 평가했다.

성능: 이진 분류 작업에서 QeHDC는 저차원 설정(16D, 32D, 64D - 각각 4, 5, 6 큐비트에 해당)에서도 클래식 HDC 베이스라인(VanillaHD, AdaptHD, SparseHD 등)보다 우수한 정확도를 보였다.
- ISOLET (64D/6 큐비트)에서 QeHDC는 **98.97%**의 정확도에 도달했다.
- MNIST (64D/6 큐비트)에서 **99.97%**의 정확도를 달성했다.
- UCI HAR (64D/6 큐비트)에서 **92.04%**에 도달했다.
견고성: 클래스 수가 증가하더라도(최대 10개 클래스) 높은 성능을 유지하였으며, 저차원 설정에서 정확도 저하를 겪는 많은 클래식 베이스라인들을 능가했다.
하드웨어 실현 가능성: 소규모 배치를 사용한 IBM QPU 실험 결과, 하드웨어 노이즈에도 불구하고 재구성된 양자 상태가 분류에 충분한 구조를 유지하고 있음이 나타났다 (예: UCI HAR의 경우 QPU에서 0.87, Aer에서 0.98의 충실도 기록).

의의 및 주장
본 논문은 QeHDC가 전통적인 HDC의 효율성 및 저장 용량 병목 현상을 극적으로 해결할 수 있는 실질적인 솔루션을 제공한다고 주장한다. 양자적 특성을 활용함으로써, 이 프레임워크는 현재의 NISQ 하드웨어와 호환되는 저차원 공간에서도 효과적인 분류를 가능하게 한다. 저자들은 자신들의 접근 방식이 광범위한 학습 반복 없이도 견고하고 노이즈에 강한 분류를 생성할 수 있는 양자 강화 바인딩 및 밀도 행렬 기반 추상화를 제공함을 강조한다. 이 연구는 클래식 인지 아키텍처와 신흥 양자 하드웨어 사이의 간극을 메우는 "양자 영감을 받은 계산 패러다임"으로 나아가는 단계로 제시된다.