Object Detection Using Quantum Transfer Learning

인공지능의 세계에서 컴퓨터는 사물이 무엇인지 인식하는 데 놀라울 정도로 능숙해지고 있습니다. 컴퓨터는 사진을 보고 러그 위에 개가 앉아 있다는 사실을 말해줄 수 있습니다. 하지만 더 어려운 과제가 남아 있습니다. 기계에게 단순히 개를 식별하는 것을 넘어, 사진 속에서 개가 정확히 어디에 있는지 찾아내어 정밀한 상자를 그리는 법을 가르치는 것입니다. 객체 탐지(object detection)라고 알려진 이 작업은 컴퓨터가 두 가지를 동시에 학습하도록 요구합니다. 즉, 대상의 정체성과 공간상의 연속적인 위치를 동시에 배워야 합니다. 전통적인 컴퓨터 프로그램들은 방대한 양의 데이터와 수백만 개의 조정 가능한 설정값을 사용하여 이를 수행해 왔지만, 이 두 가지 목표를 효율적으로 균형 있게 달성하는 데 종종 어려움을 겪습니다. 새로운 분야인 양자 기계 학습(quantum machine learning)은 다른 길을 제시합니다. 이는 입자들이 동시에 여러 상태로 존재할 수 있는 양자 물리학의 기이한 법칙을 사용하여 정보를 처리합니다. 그러나 초기 양자 컴퓨터를 학습에 사용하려는 시도 대부분은 단순한 예/아니오 질문에만 집중했으며, 물체를 찾고 상자를 그리는 복잡한 작업은 거의 건드리지 않았습니다.

이란의 샤후루드 공과대학교(Shahrood University of Technology) 연구팀은 이제 이 간극을 메웠습니다. 그들은 표준 컴퓨터 프로그램과 작은 양자 회로를 결합하여 객체를 탐지하는 새로운 형태의 하이브리드 시스템을 구축했습니다. 그들의 연구는 이 어려운 문제를 해결하기 위해 양자 컴퓨터가 과학자들이 이전에 믿었던 것처럼 완전히 얽혀 있거나(entangled) 깊게 연결될 필요가 없다는 점을 시사합니다. 대신, 정보가 시스템을 통해 흐르는 방식을 정교하게 제어함으로써 훨씬 적은 수의 설정값으로도 높은 성능을 낼 수 있음을 발견했습니다.

연구진은 이미 이미지의 시각적 특징을 포착하는 데 매우 능숙한 표준 사전 학습된 컴퓨터 프로그램을 기초로 시작했습니다. 그들은 이 프로그램의 출력을 가져와 단 8개의 양자 비트, 즉 큐비트(qubit)로 구성된 작은 양자 시스템에 입력했습니다. 큐비트는 양자 컴퓨터의 기본 정보 단위입니다. 연구팀은 이 8개의 큐비트를 두 그룹으로 나누었습니다. 첫 번째 4개는 고양이나 개와 같이 대상이 무엇인지 파악하는 데 할당되었습니다. 나머지 4개는 대상을 둘러싸는 상자의 정확한 좌표를 계산하는 임무를 맡았습니다. 이러한 분리는 시스템이 두 가지 서로 다른 유형의 학습을 서로 방해받지 않고 동시에 처리할 수 있도록 했습니다.

이 두 그룹의 큐비트를 연결하기 위해 연구진은 두 가지 서로 다른 배선 패턴을 테스트했습니다. 한 패턴은 각 큐비트가 바로 옆의 이웃하고만 연결되는 직선 형태였습니다. 다른 하나는 마지막 큐비트가 첫 번째 큐비트로 다시 연결되어 폐쇄된 루프를 만드는 원형 형태였습니다. 그들은 원형 배열이 훨씬 더 효과적이라는 것을 발견했습니다. 이 원형 구조에서는 두 그룹의 큐비트 사이의 연결이 놀라울 정도로 약했지만, 시스템은 매우 높은 정확도로 탐지 작업을 수행했습니다. 실제로 원형 디자인은 0.9448의 탐지 점수를 기록했는데, 이는 훨씬 더 큰 규모의 전통적인 컴퓨터 모델의 성능과 거의 동일한 수준입니다.

이 결과가 매우 놀라운 이유는 효율성 때문입니다. 새로운 양자 모델은 이 작업을 학습하는 데 약 만 개의 조정 가능한 설정값만을 필요로 했습니다. 반면, 그들이 비교 대상으로 삼은 대규모 전통 모델들은 유사한 결과를 얻기 위해 백만 개 이상의 설정값이 필요했습니다. 이는 필요한 설정값의 수를 99% 이상 줄인 것입니다. 연구진은 원형 배선을 사용함으로써 두 작업 사이의 얽힘(entanglement) 정도를 억제할 수 있음을 보여주었습니다. 얽힘은 입자들이 서로 연결되어 한 입자의 상태가 다른 입자에 즉각적인 영향을 미치는 양자 현상입니다. 오랫동안 많은 이들은 더 많은 얽힘이 더 큰 힘을 의미한다고 믿어 왔습니다. 이 연구는 이 특정 작업에 대해서는 그 반대가 사실임을 시사합니다. 즉, 얽힘을 제한하고 정보의 흐름을 제어하는 것이 오히려 시스템의 학습을 돕는다는 것입니다.

연구팀은 또한 열역학, 즉 열과 에너지를 다루는 물리학의 관점에서 이 과정을 살펴보았습니다. 그들은 학습 과정을 낮은 에너지와 낮은 무질서도 상태에 도달하려는 시스템으로 해석했습니다. 모델이 학습함에 따라 예측의 불확실성은 마치 뜨거운 물체가 주변 환경에 맞춰 식어가는 것처럼 떨어졌습니다. 물체의 위치를 찾는 데 책임이 있는 시스템 부분은 예측을 제자리로 끌어당기는 물리적인 힘처럼 작용했고, 대상을 식별하는 데 책임이 있는 부분은 혼란을 줄이는 역할을 했습니다. 이처럼 학습 과정을 바라봄으로써, 연구진은 왜 시스템이 그렇게 적은 설정값으로도 잘 작동했는지 설명할 수 있었습니다.

이 연구 결과는 양자 컴퓨팅 분야의 일반적인 가설에 도전합니다. 많은 전문가들은 복잡한 문제를 해결하기 위해 양자 컴퓨터가 가능한 한 많은 얽힘을 생성해야 한다고 믿어 왔습니다. 본 논문은 객체 탐지에 있어 핵심은 얽힘의 양 자체가 아니라, 그것이 어떻게 조직되느냐에 있다는 것을 입증합니다. 원형 토폴로지(circular topology)를 사용하여 정보의 흐름을 조절함으로써, 시스템은 불필요한 노이즈를 걸러내고 중요한 세부 사항에 집중할 수 있었습니다. 그 결과, 현재 기술이 요구하는 자원의 극히 일부만을 사용하여 정밀하게 객체를 식별하고 위치를 찾아내는 매우 효율적인 모델이 탄생했습니다.

이 연구는 미래의 인공지능을 구축하는 방법에 대한 새로운 문을 열어줍니다. 이는 가장 강력한 양자 시스템이 가장 혼란스럽거나 서로 밀접하게 연결된 시스템이 아니라, 정보가 정확히 필요한 곳으로 흐르도록 정교하게 구조화된 시스템일 수 있음을 시사합니다. 연구진은 정확하면서도 놀라울 정도로 가벼운 양자 강화 탐지기를 구축하는 것이 가능하다는 것을 보여주었습니다. 양자 하드웨어가 계속 발전함에 따라, 제어된 정보 흐름과 표적화된 효율성이라는 이러한 원칙은 차세대 지능형 기계의 청사진이 될 수 있습니다.