Learning to Program Adaptive Non-Local Observables for Machine Learning
이 논문은 입력 데이터에 기반하여 적응형 비국소 관측량(non-local observables)을 동적으로 프로그래밍하기 위해 고전적 하이퍼네트워크를 활용하는 새로운 양자 신경망 아키텍처인 QFWP-ANO를 소개하며, 이를 통해 다변량 시계열 예측 및 강화 학습 작업에서 기존의 정적 ANO 기반 모델들을 능가하는 성능을 보여준다.
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
현대 컴퓨팅의 영역에서, 양자 물리학의 기묘한 법칙이 인공지능의 실질적인 필요성과 만나는 새로운 개척지가 열리고 있습니다. 수십 년 동안 과학자들은 양자 시스템—아원자 입자의 거동을 활용하는 기계—이 고전적 컴퓨터가 할 수 없는 방식으로 정보를 처리할 수 있다는 것을 이론적으로 알고 있었습니다. 이러한 시스템은 입자가 동시에 여러 상태로 존재할 수 있는 중첩과, 입자들이 서로 연결되어 거리에 상관없이 한 입자의 상태가 다른 입자에 즉각적으로 영향을 미치는 얽힘과 같은 현상에 의존합니다. 연구자들은 이제 오늘날의 인공지능을 구동하는 뇌와 유사한 컴퓨터 프로그램의 양자 버전인 '양자 신경망'을 구축하려고 노력하고 있습니다. 그러나 중요한 장애물이 남아 있습니다. 현재의 양자 기계는 자신의 결과를 읽어내는 방식에 의해 제한된다는 점입니다. 이들은 대개 시스템의 작고 고립된 부분만을 한 번에 측정하며, 기계 전체에 걸쳐 존재하는 복잡하고 상호 연결된 패턴을 놓치곤 합니다. 이러한 제한은 마치 한 번에 하나의 악기 소리만 들으면서 교향곡을 이해하려는 것과 같습니다. 음표는 들릴지 모르지만, 화음은 놓치게 되는 것입니다.
이를 해결하기 위해, 연구팀은 양자 컴퓨터가 전체 그림을 역동적으로 볼 수 있게 해주는 새로운 방법을 개발했습니다. 최근 연구에서 그들은 QFWP-ANO라고 불리는 시스템을 소개했는데, 이는 처리 중인 특정 데이터에 따라 스스로의 측정 방식을 프로그래밍하도록 학습하는 양자 네트워크를 의미합니다. 전통적인 양자 모델은 출력값을 측정하는 고정된 방식을 사용하며, 이는 데이터가 무엇인지와 상관없이 매번 데이터에 대해 동일한 질문을 던지는 것을 의미합니다. 그러나 새로운 접근 방식은 표준 컴퓨터 프로그램을 '지휘자'로 사용합니다. 이 지휘자는 들어오는 데이터를 살펴보고, 양자 기계의 내부 설정과 최종 결과를 측정하는 방식을 즉각적으로 조정합니다. 모든 물체를 측정할 때 고정된 자를 사용하는 대신, 이 시스템은 마주하는 각 특정 물체에 맞는 맞춤형 자를 제작하여, 측정이 가장 관련성 높은 세부 사항을 포착하도록 보장합니다.
연구진은 이 아이디어를 두 가지 매우 다른 유형의 과제, 즉 복잡한 데이터 스트림에서 미래 추세를 예측하는 것과 가상의 에이전트에게 미로를 탐색하는 법을 가르치는 것에 대해 테스트했습니다. 첫 번째 실험 세트에서 그들은 실제 전력망의 전기 사용량과 온도 데이터를 예측하는 데 이 시스템을 사용했습니다. 그들은 자신들의 새로운 방법론을 다른 고급 양자 접근 방식과 강력한 전통적 컴퓨터 프로그램을 포함한 여러 기존 모델과 비교했습니다. 결과는 놀라웠습니다. 네 가지 별개의 데이터셋을 포함한 20가지의 서로 다른 테스트 시나리오 전반에 걸쳐, 이 새로운 시스템은 16개 시나리오에서 가장 낮은 오차율을 기록했으며 나머지 4개에서는 두 번째로 좋은 성적을 거두었습니다. 이 시스템은 특히 과업이 먼 미래를 내다봐야 할 때 이전의 최고 양자 방식들을 일관되로 능가했습니다. 데이터는 입력값에 따라 측정 전략을 변경하는 능력이 핵심 요소였다는 것을 보여주었습니다. 단순히 양자 기계의 내부 설정만을 조정하고 출력 측정 방식은 바꾸지 않는 것은 동일한 수준의 정확도에 도달하기에 충분하지 않았습니다.
두 번째 테스트 세트는 디지털 에이전트가 목표물을 향해 로봇 팔을 휘두르거나 목표를 찾기 위해 격자를 탐색하는 것과 같은 과업을 수행하는 법을 배우는 시뮬레이션 환경에서 진행되었습니다. 여기서 목표는 에이전트가 얼마나 빨리 성공하는 법을 배우는지 확인하는 것이었습니다. 새로운 시스템은 다시 한번 우수함을 입증하며 기존의 양자 모델들을 지속적으로 능가했습니다. 더 중요한 것은, 연구진은 이 시스템이 더 빠르게 학습한다는 것을 발견했다는 점입니다. 한 특정 과업에서, 이 새로운 방법은 표준 모델들보다 훨씬 더 이른 단계에서 정점에 도달했습니다. 이는 양자 기계가 상황에 맞춰 측정 도구를 적응시키도록 허용함으로써, 더 적은 사례로부터 더 효율적으로 학습할 수 있음을 시사합니다. 연구는 또한 측정의 복잡성이 성능에 미치는 영향을 탐구했습니다. 그들은 적절한 지점이 존재한다는 것을 발견했습니다. 즉, 적당한 수의 연결된 부분들을 동시에 측정하는 것이 가장 효과적이었으며, 너무 많거나 너무 적게 측정하는 것은 오히려 결과가 나빠졌습니다.
이 연구는 양자 컴퓨터가 자신의 상태를 관찰하는 방식이 수행하는 계산만큼이나 중요하다는 것을 보여줍니다. 고정된 일률적 측정 방식에서 벗어나 유연하고 입력 중심적인 접근 방식으로 나아감으로써, 연구진은 더 강력한 양자 학습 모델을 향한 명확한 경로를 제시했습니다. 이러한 발견은 양자 인공지능의 미래가 단순히 더 큰 기계를 만드는 것뿐만 아니라, 순간에 따라 변화하는 방식으로 세상을 바라보는 법을 가르치는 데 달려 있을 수 있음을 나타냅니다. 이러한 적응성은 시스템이 데이터의 서로 다른 부분들 사이의 미묘하고 비국소적인 연결, 즉 기존의 표준 양자 모델들에게는 보이지 않았던 연결들을 포착할 수 있게 해줍니다. 이러한 기술이 성숙해짐에 따라, 양자 컴퓨터가 현재 우리의 가장 진보된 고전적 슈퍼컴퓨터조차 압도하는 가장 복잡한 예측 및 의사결정 문제들을 해결할 수 있는 길을 열어줄 수 있습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.