8.4 양자 AI가 위성으로 지구를 관측하는 방법

양자 AI가 위성으로 지구를 관측하는 방법

---

시작하기 전에 — 이런 장면을 상상해보자

우주에서 지구를 내려다본다.

하루에도 수십 장의 위성 사진이 찍힌다. 아마존 열대우림, 시베리아 툰드라, 남극 빙하, 서울 도심. 지구 전체가 매일 촬영된다.

그런데 이 사진들을 다 분석하려면 어떻게 해야 하는가.

사람이 하나씩 본다면 100년이 걸린다. AI가 분석한다. 그런데 위성 사진이 얼마나 큰지 아는가.

위성 사진 하나가 수억 픽셀이다. 거기에 색깔만 있는 게 아니다. 200가지 파장의 빛 정보가 있다. 적외선, 자외선, 레이더 신호까지.

일반 AI가 이 방대한 데이터를 처리하기에 벅차다. 계산이 폭발적으로 늘어난다.

양자 AI가 이 한계를 돌파한다.

---

0부 — 지구 관측이 왜 중요한가

위성으로 지구를 관찰하면 무엇을 알 수 있는가.

산불이 어디서 번지고 있는가. 홍수가 어느 지역을 덮쳤는가. 열대우림이 얼마나 빠르게 파괴되고 있는가. 북극 빙하가 얼마나 녹았는가. 어느 나라가 몰래 핵시설을 짓고 있는가.

이 모든 것을 위성으로 알 수 있다.

그리고 두 가지 핵심 분석이 있다.

첫 번째는 토지 피복 분류다. 지금 저 땅이 숲인지, 도시인지, 농경지인지, 사막인지 파악하는 것이다.

두 번째는 변화 감지다. 작년과 올해를 비교해서 어떻게 바뀌었는지 찾아내는 것이다.

---

1부 — 토지 피복 분류: 땅의 종류를 구분한다

위성 사진을 보고 "이 픽셀은 숲, 저 픽셀은 도시"라고 분류하는 것이다.

색칠 공부 비유로 설명하면 이렇다.

흑백 지도가 있다. 이것을 색칠해야 한다. 숲은 초록, 도시는 회색, 강은 파랑, 농경지는 노랑.

토지 피복 분류가 이것이다. 위성 사진의 각 픽셀에 색깔(종류)을 붙이는 것.

그런데 얼마나 복잡한지 보자.

사진 한 장에 1억 픽셀이 있다. 각 픽셀이 200가지 파장 정보를 가진다. 1억 × 200 = 200억 개의 숫자다.

이것을 처리하는 방법이 세 가지 있다.

---

방법 1 — 콴볼루셔널 신경망: 조각조각 양자 필터로

이전에 배운 콴볼루셔널 기억하는가. 큰 사진을 작은 조각으로 나눠서 조각마다 양자 필터를 적용하는 것.

위성 사진에서도 이것이 쓰인다.

위성 사진을 4×4 픽셀 조각으로 나눈다. 각 조각에 양자 필터를 적용한다. "이 조각은 나무 패턴이다. 이 조각은 건물 패턴이다." 조각 결과를 모아서 전체 지도를 만든다.

---

방법 2 — 고전 + 양자 팀플레이: 요리사와 보조 요리사

이것이 지금 가장 많이 쓰이는 방법이다.

고전 AI(CNN, PCA)가 먼저 위성 사진에서 핵심 특징을 뽑는다. 200억 개 숫자를 수백 개 핵심 숫자로 줄인다.

그 핵심 숫자를 양자 AI에 넣는다. 양자 AI가 최종 분류를 한다. "숲이다. 도시다."

요리 비유로 설명하면 이렇다.

보조 요리사(고전 AI)가 재료를 손질한다. 100가지 재료를 10가지 핵심 재료로 추린다.

메인 요리사(양자 AI)가 그것을 받아서 최고의 요리를 만든다.

---

방법 3 — 진화 알고리즘: 스스로 최적의 방법을 찾는다

이것이 가장 영리한 방법이다.

자연에서 생물이 진화하는 것처럼 AI 회로도 진화한다.

처음에 여러 가지 양자 회로를 무작위로 만든다. 각각을 테스트한다. 성능이 좋은 것을 남긴다. 성능이 나쁜 것을 버린다. 남은 것들끼리 교배해서 더 좋은 회로를 만든다.

이것을 수백 번 반복한다. 결국 가장 효율적인 양자 회로가 살아남는다.

큐비트를 최소한으로 쓰면서 최고의 성능을 내는 회로가 자동으로 설계된다.

---

2부 — 변화 감지: 지구가 어떻게 바뀌었는가

작년 위성 사진과 올해 위성 사진을 비교한다. 무엇이 바뀌었는가.

변화 감지가 왜 중요한지 예를 들면 이렇다.

아마존 삼림 파괴 감시: 어제까지 숲이었던 곳이 오늘 벌목됐다. 면적이 얼마인가. 어느 방향으로 퍼지고 있는가. 이 속도라면 언제 다 없어지는가.

빙하 감소 추적: 2000년 빙하 면적 대비 2024년 빙하 면적. 얼마나 줄었는가.

도시 팽창 감시: 서울 외곽이 얼마나 빠르게 개발되고 있는가. 어느 농경지가 주택단지로 바뀌었는가.

재난 피해 파악: 태풍이 지나간 후 얼마나 많은 건물이 파괴됐는가. 어느 도로가 끊겼는가.

이것을 어떻게 하는가.

---

초분광 변화 감지: 200가지 색깔로 변화를 찾는다

일반 사진은 빨강, 초록, 파랑 3가지 색이다.

초분광 카메라는 200가지 색 파장을 담는다. 눈에 안 보이는 적외선, 자외선까지.

이것이 왜 필요한가.

식물이 스트레스를 받으면 눈에 보이는 색은 그대로지만 적외선 반응이 달라진다. 일반 사진으로는 모른다. 초분광으로는 안다.

개나리 비유로 설명하면 이렇다.

멀리서 보면 노란 개나리 꽃밭이다. 아무 이상이 없어 보인다. 그런데 특수 안경을 쓰면 일부 꽃이 다른 색으로 보인다. 병에 걸린 것이다.

초분광이 이 특수 안경이다. 눈에 안 보이는 변화를 감지한다.

그런데 200가지 파장 정보를 처리하는 것이 얼마나 어려운지 아는가. 데이터가 엄청나다.

양자 AI가 이것을 해결한다. 초분광 이미지에서 픽셀 단위로 양자 특징을 추출한다. 그것을 그래프 신경망(GNN)과 결합한다.

그래프가 뭔가. 각 픽셀이 주변 픽셀과 어떻게 연결되는지 나타내는 것이다. 도로망처럼.

양자 AI가 픽셀의 200가지 특징을 압축해서 핵심만 남긴다. 그래프 AI가 픽셀들의 관계를 분석한다. 두 가지가 합쳐져서 변화를 정밀하게 감지한다.

---

피라미드 구조: 시간 여행을 효율적으로 한다

변화 감지는 여러 시점의 사진을 비교해야 한다.

2010년, 2015년, 2020년, 2024년 사진 4장을 비교한다. 각 사진이 수억 픽셀이다. 4장을 동시에 분석하면 계산량이 4배다.

피라미드 구조가 이것을 해결한다.

건물 층수 줄이기 비유로 설명하면 이렇다.

40층짜리 건물을 분석해야 한다. 층마다 다른 정보가 있다.

방법 1 (비효율적): 40층을 전부 동시에 분석한다. 시간이 너무 걸린다.

방법 2 (피라미드): 4층씩 묶어서 대표값을 뽑는다. 10개의 대표값이 됐다. 이것을 다시 묶는다. 계속 압축한다. 결국 핵심 정보만 남는다.

위성 시계열 데이터에서 피라미드 구조가 이것을 한다.

시간 순서 데이터를 점점 압축한다. 상위 층으로 올라갈수록 더 큰 패턴을 본다.

하위 층: "이 픽셀이 이번 달에 바뀌었다" 중간 층: "이 지역이 올해 안에 바뀌었다" 상위 층: "이 지방이 지난 10년간 바뀌었다"

다양한 시간 규모의 변화를 동시에 파악한다. 효율적으로.

---

3부 — 손상된 위성 사진을 복원한다

위성 사진이 항상 완벽하지 않다.

구름이 끼었다. 일부가 가려졌다. 위성 신호 오류로 일부가 깨졌다.

이전에 배운 것들이 여기서 힘을 발휘한다.

QAE(양자 오토인코더)가 사진을 압축한다. 손상된 부분 포함해서.

QGAN이 잠재 공간에서 없는 부분을 채운다. "이 지역의 다른 부분 패턴을 보니 이 부분은 아마 이런 모습일 것이다."

QAE 디코더가 다시 원래 크기로 복원한다.

구름에 가려진 농경지 사진이 복원됐다. 홍수 피해 파악이 가능해졌다.

---

4부 — 실제로 어디에 어떻게 쓰이는가

지금 당장 이 기술이 필요한 상황들이 있다.

기후 변화 모니터링: 북극 빙하가 녹는 속도를 매일 추적한다. 해수면 상승을 예측한다. 어느 해안 도시가 위험한지 미리 알 수 있다.

불법 삼림 파괴 감시: 아마존이 몰래 벌목되는 것을 실시간으로 감지한다. 어제 찍은 사진과 오늘 찍은 사진을 비교한다. 24시간 안에 발견한다.

농업 관리: 어느 논밭이 가뭄 스트레스를 받고 있는가. 초분광으로 알 수 있다. 물을 어디에 더 줘야 하는지 최적화한다.

재난 대응: 지진이 일어났다. 어느 건물이 무너졌는가. 구조대가 어디로 가야 하는가. 위성 사진을 양자 AI로 분석하면 몇 분 안에 피해 지도가 완성된다.

핵시설 감시: 특정 국가의 산속에 이상한 건물이 지어지고 있다. 변화 감지 AI가 이것을 발견한다. 외교 대응이 시작된다.

---

전체를 한 번에 보자

아마존 삼림 파괴를 감시하는 과정을 따라가보자.

매일 위성이 아마존을 촬영한다. 초분광 카메라가 200가지 파장을 담는다.

고전 AI(CNN)가 먼저 200가지 파장에서 핵심 10가지 특징을 뽑는다. 엄청난 데이터가 작아졌다.

콴볼루셔널 신경망이 조각조각 양자 분석을 한다. "이 조각은 건강한 숲. 이 조각은 벌목된 지역. 이 조각은 화재 흔적."

피라미드 구조로 시간 변화를 분석한다. 어제와 오늘을 비교한다. 지난 10년 추세도 본다.

구름이 일부를 가렸다. QAE와 QGAN이 가려진 부분을 복원한다.

결과 지도가 완성된다. "오늘 새벽 서울 면적의 0.3배에 해당하는 숲이 사라졌다. GPS 좌표는 여기다."

환경부에 알림이 간다. 현장 조사가 시작된다.

---

최종 정리

양자 지구 관측 기술을 네 문장으로 압축하면 이렇다.

첫째, 위성 사진은 수억 픽셀에 200가지 파장 정보가 있다. 고전 AI만으로는 이 방대한 데이터를 처리하기 어렵다. 양자 AI가 핵심 패턴을 효율적으로 압축해서 분류한다.

둘째, 콴볼루셔널 신경망이 사진을 조각내서 양자 필터로 분석하고, 고전 AI가 먼저 특징을 뽑은 뒤 양자 AI가 최종 분류하는 팀플레이가 가장 실용적인 방법이다.

셋째, 초분광 변화 감지가 눈에 보이지 않는 변화를 찾아낸다. 200가지 색 파장 분석으로 식물 스트레스, 토양 변화, 수질 오염을 조기에 발견한다.

넷째, 구름에 가려진 사진은 QAE와 QGAN이 복원하고, 피라미드 구조가 수십 년치 시계열 데이터를 효율적으로 분석한다. 기후 변화, 재난, 불법 개발을 실시간으로 감시한다.