5.4. 잡음을 활용해서 새로운 것을 만드는 양자 AI - 양자 확산 모델(QDM)

잡음을 활용해서 새로운 것을 만드는 양자 AI

양자 확산 모델(QDM) 이야기

---

눈 오는 날 운동장에 발자국이 찍혔다.

처음엔 선명한 발자국이 있다. 그런데 눈이 계속 내린다. 발자국 위에 눈이 쌓인다. 점점 희미해진다. 더 내린다. 더 희미해진다. 결국 눈이 완전히 덮어버렸다. 발자국이 사라졌다.

이제 반대로 생각해보자.

완전히 눈으로 덮인 상태에서 시작한다. 눈을 조금씩 걷어낸다. 발자국이 조금씩 나타나기 시작한다. 더 걷어낸다. 더 선명해진다. 완전히 걷어내면 원래 발자국이 나온다.

QDM이 하는 일이 바로 이것이다.

데이터에 잡음을 쌓아서 완전히 흐릿하게 만든다. 그리고 그 잡음을 역으로 걷어내는 방법을 배운다. 그 능력으로 새로운 것을 창조한다.

---

확산이 무슨 뜻인가

확산(Diffusion) 이라는 단어가 낯설다.

과학 시간에 배운 확산을 기억하는가.

물컵에 잉크 한 방울을 떨어뜨렸다. 처음엔 한 점이다. 시간이 지나면서 번진다. 더 지나면 더 번진다. 결국 물 전체가 연하게 물든다. 잉크가 사방으로 퍼져나갔다.

이것이 확산이다. 하나의 점이 전체로 퍼져나가는 것.

QDM에서 확산은 이렇다.

선명한 사진 → 잡음 추가 → 더 흐릿해짐 → 더 추가 → 더 흐릿 → ... → 완전히 랜덤한 잡음

 

 

원래 사진이 잡음 속으로 "확산"되어 사라지는 것.

---

가장 중요한 아이디어

QDM의 핵심 아이디어를 한 문장으로 말하면 이렇다.

"잡음을 없애는 법을 배우면, 잡음에서 새로운 것을 만들 수 있다."

이게 왜 가능한가.

조각가 비유로 설명하자.

미켈란젤로가 말했다고 전해지는 말이 있다.

"대리석 안에 이미 천사가 있다. 나는 천사를 가두고 있는 돌을 깎아낼 뿐이다."

QDM의 생각이 이것이다.

잡음 속에 숨어있는 그림이 있다. 잡음을 걷어내면 그림이 나온다.

새로운 그림을 만들고 싶다면? 새로운 잡음에서 시작해서 걷어내면 된다. 걷어내는 방향을 조절하면 원하는 그림이 나온다.

---

두 단계로 이루어진다

QDM은 두 단계다.

---

단계 1 — 앞방향: 잡음 쌓기 (학습용)

모래성 부수기 비유로 설명하자.

멋진 모래성이 있다.

파도가 온다. 조금 부서진다. 또 온다. 더 부서진다. 계속 온다. 결국 완전히 평평한 모래밭이 된다.

이 과정을 단계별로 기록했다.

완벽한 모래성 → 조금 부서짐 → 더 부서짐 → ... → 평평한 모래밭

 

 

QDM에서 이것이 순방향 과정이다. 선명한 데이터에 잡음을 조금씩 추가한다.

이 과정은 고전 컴퓨터가 한다. 어렵지 않다. 그냥 잡음을 더하면 된다.

---

역방향: 잡음 걷어내기 (실제 작동)

모래성 복원 비유로 설명하자.

평평한 모래밭에서 시작한다.

"이 모래밭이 원래 어떤 모래성이었을까?" 라고 묻는다.

역으로 복원한다. 한 단계씩. 조금씩 모래성의 형태를 만들어간다.

이 과정이 역방향 과정이다. 잡음에서 시작해서 선명한 데이터를 만든다.

이 과정이 어렵다. 그래서 양자 회로가 담당한다.

완전한 잡음
        ↓ [양자 회로: 잡음 제거]
조금 덜 흐릿함
        ↓ [양자 회로: 또 제거]
더 덜 흐릿함
        ↓ [반복...]
        ↓
선명한 새 데이터 완성

 

 

---

3부 — 가장 혁신적인 점: 잡음이 적이 아니다

다른 양자 AI들과 비교해보자.

지금까지 배운 양자 AI들이 잡음을 어떻게 대했는가.

QCNN: "잡음? 문제야. 최대한 줄여야 해."
QRNN: "잡음? 방해돼. 얕은 회로로 피해가자."
QASA: "잡음? 어쩔 수 없지만 최소화하자."

 

 

모두 잡음을 적으로 봤다.

QDM은 다르다.

QDM: "잡음? 친구야. 오히려 활용하자!"

 

 

독을 약으로 쓰는 비유로 설명하자.

뱀독이 있다. 독이니까 무조건 나쁜가?

의사들이 뱀독을 연구했다. 뱀독의 특정 성분이 혈전을 녹이는 효과가 있었다. 뇌졸중 치료제 개발에 활용됐다.

독을 피하는 것이 아니라 이해하고 활용한 것이다.

QDM이 양자 잡음을 이렇게 다룬다. 잡음을 피하지 않는다. 잡음이 어떻게 생기고 어떻게 제거되는지 배운다. 그 능력을 새로운 데이터 생성에 활용한다.

---

QGAN과 어떻게 다른가

둘 다 새로운 데이터를 만드는 AI다. 차이가 뭔가.

두 종류의 예술가 비유로 설명하자.

예술가 A (QGAN — 위조화가 방식): 원본 그림을 보고 따라 그린다. 판별자라는 심판이 "진짜 같아? 가짜야?"를 계속 체크한다. 심판을 속일 만큼 잘 그릴 때까지 연습한다.

경쟁을 통해 발전한다.

예술가 B (QDM — 조각가 방식): 원본 그림들을 관찰한다. 그림이 어떻게 잡음으로 변하는지 배운다. 그 역과정을 배운다. 새 그림을 그릴 때는 잡음에서 시작해서 그림을 "발굴"한다.

단계적으로 발전한다.

QGAN 장점: 빠르다. 경쟁이 있어서 빠르게 개선됨.
QGAN 단점: 불안정할 수 있다. 두 AI가 싸우다가 균형이 무너질 수 있음.

QDM 장점: 안정적이다. 잡음 제거 과정이 체계적임. 품질이 좋음.
QDM 단점: 느릴 수 있다. 여러 단계를 거쳐야 함.

 

 

---

한 번에 만드는 초고속 방법

QDM의 단점이 있다. 여러 단계를 거쳐야 해서 느리다.

과학자들이 더 빠른 방법을 찾아냈다.

사진 현상 비유로 설명하자.

옛날 필름 사진을 현상하려면 여러 단계 화학 처리가 필요했다. 시간이 오래 걸렸다.

디지털 사진은 찍는 순간 바로 나온다.

QDM도 비슷한 발전이 있었다.

원래 QDM:
잡음 → 단계 1 제거 → 단계 2 제거 → ... → 단계 100 제거 → 완성
(100번의 단계가 필요)

새로운 방법들:
방법 1 — 원스텝 QDM:
잡음 → 한 번에 완성!
(수많은 단계를 하나의 유니타리 변환으로 통합)

방법 2 — 양자 ODE 솔버:
잡음 → 수학적 지름길 → 빠르게 완성
(미분방정식으로 확산 과정을 가속)

 

 

유니타리가 뭔지 기억하는가. 앞에서 배웠다. 정보가 자연스럽게 보존되는 양자의 성질. 그 성질을 이용해서 100단계를 1단계로 압축한다.

---

QAE와 팀을 이루면

QGAN처럼 QDM도 QAE와 협력한다.

탐험대 비유로 설명하자.

정글 탐험을 간다.

장비 팀 (QAE): 무거운 장비를 가볍게 압축해서 배낭에 담는다. 탐험에 필수적인 것만 챙긴다.

탐험 팀 (QDM): 가벼운 배낭으로 정글 깊숙이 들어간다. 새로운 것을 발견한다.

귀환 팀 (QAE 디코더): 발견한 것을 다시 원래 크기로 펼쳐서 가져온다.

실제 활용을 보면 이렇다.

위성 사진 복원 사례:

문제:
위성이 지구를 찍었다.
태풍이 지나가면서 일부 지역이 가려졌다.
또는 위성 신호 오류로 일부가 깨졌다.

해결 과정:

1단계 (QAE 인코더):
거대한 위성 사진을 작은 잠재 공간으로 압축한다.
(손상된 부분도 포함해서)

2단계 (QDM이 잠재 공간에서 작동):
압축된 잠재 공간에서 QDM이 작동한다.
"이 부분이 손상됐다. 잡음 제거 과정으로 원래 모습을 복원하자."
결측된 특징들을 생성한다.

3단계 (QAE 디코더):
복원된 잠재 공간을 다시 원래 크기 위성 사진으로 펼친다.

결과:
태풍에 가려진 부분, 신호 오류로 깨진 부분이 복원됐다.

 

 

---

퓨샷 학습: 조금만 봐도 배운다

QDM의 또 다른 능력이 있다.

천재 학생 비유로 설명하자.

시험 범위가 100페이지다.

일반 학생: 100페이지를 다 읽어야 한다. 충분한 공부 시간이 필요하다.

천재 학생: 10페이지만 봐도 나머지를 유추한다. 패턴을 빠르게 파악하는 능력이 있다.

QDM이 퓨샷 학습으로 이 천재 학생처럼 된다.

일반 딥러닝:
고양이 사진 100만 장을 봐야 "고양이"를 배운다

퓨샷 학습 QDM:
고양이 사진 10장만 봐도 "고양이"를 배운다

어떻게?
확산 과정을 통해 데이터의 근본적인 구조를 배우기 때문이다.
"고양이란 이런 형태에서 이런 잡음 패턴이 나온다"는 것을
10장만으로도 파악한다.

 

 

의료 분야에서 이것이 왜 중요한가.

희귀병 MRI 사진:
전 세계에 환자가 100명밖에 없다
→ 데이터 100개로 AI를 훈련시켜야 한다
→ 일반 AI는 너무 적다고 학습을 못 함
→ QDM은 100개로도 패턴을 파악해서 학습함

 

 

---

전체를 한 번에 보자

눈 덮인 발자국 비유로 전체를 정리하면 이렇다.

학습 단계 (앞방향):
선명한 발자국
        ↓ [고전 컴퓨터: 눈 뿌리기]
점점 눈에 덮임
        ↓ [계속 뿌리기]
완전히 눈으로 덮임
→ 이 과정을 수천 번 보며 패턴을 학습한다
"눈이 어떻게 덮이는지 알게 됐다!"

생성 단계 (역방향):
새로운 눈 덮인 상태에서 시작 (완전한 잡음)
        ↓ [양자 회로: 눈 걷어내기]
조금씩 형태가 나타남
        ↓ [계속 걷어내기]
새로운 발자국 완성!
(원본에 없던 새로운 발자국)

팀플레이:
QAE가 큰 사진을 압축 → 압축된 공간에서 QDM 작동 → QAE가 복원

 

 

---

최종 정리

QDM을 네 문장으로 압축하면 이렇다.

첫째, 데이터에 잡음을 쌓아 완전히 흐릿하게 만들고, 그것을 역으로 걷어내는 법을 배운다. 눈 덮인 발자국을 복원하듯.

둘째, 다른 양자 AI들이 잡음을 피하는 것과 반대로, QDM은 잡음을 창조의 원료로 활용한다. 독을 약으로 쓰는 것처럼.

셋째, QAE와 협력해서 거대한 데이터도 처리한다. QAE가 압축하고, QDM이 잠재 공간에서 작동하고, QAE가 복원한다.

넷째, 데이터가 적어도 잘 학습한다. 희귀병 의료 데이터처럼 적은 데이터밖에 없는 곳에서도 강하다.