양자 AI가 더 많은 것을 표현할 수 있는 이유
표현력 이야기
시작하기 전에 — 이런 장면을 상상해보자
그림 그리기 수업이 있다.
선생님이 풍경화를 그리라고 했다.
학생 A: 연필 하나만 있다. 선과 명암만 표현할 수 있다. 하늘이 파란지 노란지 표현 못 한다. 나무가 초록인지 갈색인지 모른다.
학생 B: 물감 세트 전체가 있다. 수백 가지 색을 섞어서 무한한 색을 만들 수 있다. 노을의 미묘한 주황빛, 숲의 다양한 초록색을 전부 표현한다.
같은 풍경을 그려도 결과가 완전히 다르다.
표현력이 이것이다.
얼마나 다양하고 복잡한 것을 표현할 수 있는가.
양자 AI가 물감 세트를 가진 학생 B다. 고전 AI보다 훨씬 풍부하게 표현한다.
0부 — 표현력이 왜 중요한가
AI가 문제를 푼다는 것이 무엇인가.
지도 그리기 비유로 설명하자.
실제 세상이 있다. 이 세상을 AI가 이해해야 한다.
AI는 이 세상을 지도로 그린다. 지도가 실제 세상과 비슷할수록 좋은 AI다.
지도가 단순하다. 산인지 강인지만 구분한다.
→ 실제 세상의 복잡함을 못 담는다.
표현력이 높은 AI:
지도가 정밀하다. 산의 높이, 강의 깊이, 나무 종류까지 담는다.
→ 실제 세상과 거의 같다.
표현력이 높을수록 AI가 그리는 지도가 실제에 가깝다.
그래서 표현력이 높은 AI가 더 정확한 예측을 한다.
1부 — 양자 AI가 표현력이 높은 이유
색연필 개수 비유로 설명하자.
색연필이 몇 개냐에 따라 표현할 수 있는 색이 다르다.
색연필 n개 → 표현할 수 있는 색 n가지
(선형적으로 늘어남)
양자 AI:
큐비트 n개 → 표현할 수 있는 상태 2의 n제곱
(지수적으로 늘어남)
큐비트 10개: 1024가지 상태
큐비트 50개: 1,000조 가지 상태
큐비트가 하나씩 늘어날 때마다 표현력이 두 배씩 폭발한다.
이것이 힐베르트 공간이다. 이전에 배운 것. 양자 컴퓨터가 접근할 수 있는 거대한 공간. 그 공간이 클수록 더 복잡한 것을 표현할 수 있다.
2부 — 얽힘과 비선형이 표현력을 만든다
양자 AI 안에서 표현력이 어떻게 생겨나는지 보자.
두 가지가 핵심이다.
핵심 1 — 얽힘: 재료들이 서로 영향을 준다
요리 비유로 설명하자.
재료가 있다. 당근, 감자, 고기.
방법 1 (얽힘 없음): 각자 따로 삶는다. 당근은 당근 맛, 감자는 감자 맛, 고기는 고기 맛. 세 가지 맛이 독립적이다.
방법 2 (얽힘 있음): 함께 끓인다. 고기 국물이 당근에 배고, 당근의 단맛이 국물에 퍼진다. 혼자 삶을 때는 절대 나올 수 없는 복합적인 맛이 생긴다.
양자 얽힘이 방법 2다. 큐비트들이 서로 영향을 주며 혼자서는 절대 표현 못 할 복잡한 상태를 만들어낸다.
핵심 2 — 비선형 회전: 직선 대신 곡선
자동차 도로 비유로 설명하자.
직선 도로만 있다면 갈 수 있는 곳이 제한된다. 구불구불한 도로가 있어야 산 너머, 강 건너에도 갈 수 있다.
y = ax + b
(직선. 단순하다. 복잡한 패턴을 못 잡는다)
양자 AI의 비선형 회전:
y = cos(ax + b)
(곡선. 복잡하다. 다양한 패턴을 잡는다)
양자 게이트가 삼각함수(cos, sin)를 자연스럽게 만들어낸다.
이 곡선들이 쌓이면 어떤 복잡한 패턴도 표현할 수 있다.
일반 AI의 활성화 함수 (ReLU, sigmoid 같은 것)를 양자가 자동으로 해주는 것이다.
3부 — 파라미터가 적어도 강한 이유
이것이 양자 AI의 가장 놀라운 특징이다.
정예군 vs 대규모 군대 비유로 설명하자.
전쟁이 났다.
일반 군대 (고전 AI): 병사 10만 명을 투입한다. 수가 많다. 장비를 갖추는 비용이 엄청나다.
정예 특수부대 (양자 AI): 병사 100명만 투입한다. 수는 적다. 그런데 훈련이 탁월하고 장비가 최첨단이다. 10만 명과 대등하거나 더 강하다.
고전 AI 파라미터: 수백만 개
양자 AI 파라미터: 수만 개 (약 100배 적음)
성능은?
→ 대등하거나 양자 AI가 더 좋다!
왜 이게 가능한가.
근사 오차(Approximation Error) 라는 것이 있다. AI의 지도가 실제 세상과 얼마나 다른지를 나타내는 숫자다.
파라미터를 두 배 늘리면 오차가 절반 줄어든다 (선형 감소)
양자 AI:
큐비트를 하나 더하면 오차가 절반의 절반으로 줄어든다 (지수적 감소)
양자 AI는 자원을 조금 늘려도 오차가 폭발적으로 줄어든다.
같은 성능을 내는 데 훨씬 적은 파라미터가 필요하다.
4부 — 복잡한 데이터를 정리하는 능력
QASA를 기억하는가. 이전에 배운 양자 트랜스포머.
QASA의 양자 계층이 복잡한 데이터를 어떻게 다루는지 보자.
옷장 정리 비유로 설명하자.
옷이 500벌이다. 뒤섞여있다. 정리해야 한다.
고전 AI (표현력 낮음): 옷을 더 큰 방으로 옮긴다. 방이 커서 여유가 생겼다. 그런데 여전히 뒤섞여있다. 찾기 어렵다.
이것을 어려운 말로 "고차원에 특징이 흩어진다" 고 한다.
양자 AI (표현력 높음): 옷을 보는 순간 패턴을 파악한다.
겨울 옷 → 서랍 2
격식 옷 → 서랍 3
운동복 → 서랍 4
500벌이 4개 카테고리로 정리된다. 훨씬 찾기 쉽다.
이것이 비선형 차원 축소다. 표현력 높은 양자 계층이 복잡한 데이터를 핵심 패턴으로 압축한다.
실제 측정 결과:
양자 AI: 약 4차원으로 압축 (차원이 49% 감소)
→ 예측 오차가 획기적으로 줄어듦
5부 — 함정이 있다: 표현력이 너무 높으면 안 된다
여기서 경고가 필요하다.
소금 넣기 비유로 설명하자.
요리에 소금을 넣는다.
소금 없음 → 맛없다. 소금 조금 → 맛있다. 소금 많이 → 짜서 못 먹는다. 소금 엄청나게 → 독이다.
양자 AI의 표현력도 마찬가지다.
→ 복잡한 패턴을 못 잡는다. 성능 나쁨.
표현력 적당함:
→ 복잡한 패턴을 잡는다. 성능 최고.
표현력 너무 높음:
→ 두 가지 문제가 생긴다!
문제 1 — 잡음에 약해진다:
양자 AI가 너무 복잡한 얽힘 상태를 만들면 어떻게 되는가.
매우 섬세하다. 조금만 건드려도 무너진다.
현실의 양자 컴퓨터:
잡음이 많다. 온도 변화, 진동, 전자기파에 영향을 받는다.
결과:
복잡한 얽힘 상태가 잡음에 의해 파괴된다.
→ AI 성능이 동전 던지기 수준으로 떨어진다.
모래 위에 정교한 레고 성을 지은 것과 같다. 바람 한 번에 무너진다.
문제 2 — 바렌 플래토:
이전에 배운 것을 기억하는가. 사막처럼 평평해져서 학습 방향을 못 찾는 문제.
양자 회로가 너무 깊고 복잡해진다.
→ 손실 함수가 사막처럼 평평해진다.
→ 어느 방향으로 개선해야 할지 모른다.
→ 학습이 멈춘다.
6부 — 완벽한 균형점을 찾는다
과학자들이 답을 찾았다. 두 가지 전략이다.
전략 1 — 양자 + 고전 팀플레이
양자 혼자 모든 것을 하지 않는다.
2인 3각 달리기 비유로 설명하자.
양자(A)와 고전(B)이 발을 묶고 달린다.
그런데 안정성이 부족하다.
고전(B): 표현력은 낮다. 그러나 안정적이다.
잡음에 강하다.
함께 달리면:
양자의 표현력 + 고전의 안정성
→ 최고의 조합이 된다.
실제로 MLP(고전 신경망)와 PQC(양자 회로)를 붙여서 쓴다.
안정적인 비선형 최적화를 제공한다.
바렌 플래토를 방지한다.
PQC의 역할:
고차원 패턴을 찾아낸다.
고전으로는 불가능한 표현을 만든다.
전략 2 — 아키텍처 인색함: 딱 하나만 영리하게
이전에 배운 건축적 파시모니가 여기서 다시 나온다.
트러플 비유로 다시 설명하자.
최고급 재료 트러플이 있다. 비싸고 귀하다.
모든 음식에 조금씩 뿌리면: 맛이 흐릿하다. 낭비다. 최고 메인 요리 하나에만 올리면: 그 요리가 빛난다.
모든 계층을 양자로 만든다.
→ 바렌 플래토에 빠진다.
→ 잡음에 무너진다.
올바른 방법 (QASA):
마지막 계층 하나만 양자로 만든다.
→ 표현력을 최대로 활용한다.
→ 바렌 플래토를 피한다.
→ 잡음에도 살아남는다.
실제 비교 결과:
QASA (마지막만 양자): 파라미터 36개, 얽힘 능력 0.981
적은 자원으로 더 높은 표현력!
7부 — 전체를 한 번에 보자
표현력의 균형을 시소로 표현하면 이렇다.
너무 낮음 적당함 너무 높음
(못 잡음) (최고!) (바렌 플래토
잡음에 약함)
↑
이 지점을 찾는 것이 목표
이 균형점을 찾는 방법이 두 가지다.
(2인 3각: 양자의 표현력 + 고전의 안정성)
방법 2: 아키텍처 인색함
(트러플을 아껴서 최고의 자리에만 쓴다)
최종 정리
표현력을 네 문장으로 압축하면 이렇다.
첫째, 표현력은 AI가 얼마나 복잡한 것을 표현할 수 있는가다. 양자 AI는 큐비트가 하나 늘어날 때마다 표현력이 두 배씩 폭발한다. 연필 하나 vs 수백 가지 물감의 차이다.
둘째, 표현력이 높으면 파라미터가 적어도 된다. 양자 AI는 고전보다 100배 적은 파라미터로 대등한 성능을 낸다. 정예 특수부대가 대규모 군대를 이기는 것처럼.
셋째, 표현력이 너무 높으면 문제가 생긴다. 잡음에 무너지거나 바렌 플래토에 빠진다. 소금을 너무 많이 넣으면 독이 되듯.
넷째, 균형이 핵심이다. 양자 하나를 가장 중요한 곳에만 쓰는 아키텍처 인색함으로 최고의 표현력과 안정성을 동시에 달성한다.
'퀀텀 > 하이브리드 양자' 카테고리의 다른 글
| 7.6 적은 부품으로 더 강한 엔진을 만드는 방법-파라미터 효율성 (1) | 2026.06.08 |
|---|---|
| 7.5 적게 배우고 더 잘 아는 양자 AI (0) | 2026.06.08 |
| 7.3. 양자 컴퓨터로 새로운 약을 설계하는 방법 (0) | 2026.06.01 |
| 7.2 언어를 양자 컴퓨터에 넣는 방법 (0) | 2026.05.30 |
| 7. 1. 이미지를 양자 컴퓨터에 넣는 방법-양자 이미지 인코딩 (1) | 2026.05.18 |