WiMi, 클래식 데이터 분류를 위한 양자 컨볼루션 신경망 모델 개발

WiMi 홀로그램 클라우드, 양자 컨볼루션 신경망 연구 성과 발표 글로벌 홀로그램 증강현실(AR) 기술 선도 기업 WiMi 홀로그램 클라우드(NASDAQ: WIMI)가 완전 매개변수화된 양자 컨볼루션 신경망(QCNN)에 대한 체계적인 벤치마크 테스트를 완료했다고 밝혔습니다. WiMi 연구팀은 기존 컨볼루션 신경망에서 영감을 받은 양자 신경망 모델을 제안했습니다. 이 모델은 전체 계산 과정에서 두 개의 큐비트 상호작용만을 활용하여 네트워크 구조의 단순성을 유지하면서도 양자 회로 구현의 난이도를 크게 낮췄습니다. 이는 향후 잡음이 있는 중간 규모 양자 컴퓨터(NISQ)에서의 실질적인 배포를 위한 중요한 기반을 마련한 것으로 평가됩니다. 기존 딥러닝 네트워크와 달리, 고전적인 컨볼루션 신경망은 특징 추출을 위해 방대한 매개변수와 복잡한 계층 구조에 의존합니다. 예를 들어, 이미지 분류 작업에서 컨볼루션 계층은 입력 이미지를 지속적으로 스캔하여 지역적 특징을 추출하고, 풀링 계층은 특징 차원을 압축하며, 완전 연결 계층이 최종 분류 결정을 내립니다. 이러한 구조는 뛰어난 성공을 거두었지만, 모델 규모가 확장됨에 따라 학습 및 추론 비용이 기하급수적으로 증가하는 단점이 있습니다. WiMi 연구팀은 양자 컴퓨팅이 본질적으로 고차원 특징 공간을 처리할 수 있는 능력을 갖추고 있다고 보고 있습니다. n개의 큐비트로 구성된 양자 시스템은 2ⁿ 차원의 상태 공간을 동시에 표현할 수 있어, 고전적인 알고리즘보다 훨씬 적은 매개변수로 복잡한 패턴 인식 작업을 수행할 수 있습니다. 이러한 잠재적 이점을 바탕으로 연구팀은 컨볼루션 신경망 구현 방식을 재고하고 양자 게이트 연산을 통해 컨볼루션 양자 신경망 아키텍처를 구축하는 데 집중했습니다. 이를 위해 WiMi는 완전 매개변수화된 QCNN 아키텍처를 설계했습니다. 이 네트워크는 양자 데이터 인코딩 계층, 양자 컨볼루션 계층, 양자 풀링 계층, 특징 압축 계층 및 양자 분류 계층으로 구성됩니다. 다중 큐비트 게이트 연산에 기반한 복잡한 양자 네트워크와 달리, 이 모델은 두 개의 큐비트 상호작용을 기본 계산 단위로 사용하여 회로 깊이를 효과적으로 제어하고 노이즈 축적을 완화합니다. 데이터 입력 단계에서 원시 고전 이미지는 차원 축소 및 정규화를 위한 전처리 모듈을 거칩니다. 현재 양자 하드웨어에서 지원하는 큐비트 수가 제한적이기 때문에, 연구자들은 고차원 이미지 데이터를 유한한 큐비트 공간에 매핑해야 합니다. 이 과제를 해결하기 위해 WiMi는 주성분 분석, 특징 선택, 이미지 압축 기법 등 다양한 고전 데이터 전처리 전략을 연구하여, 입력 데이터가 양자 컴퓨팅 자원 제약에 적응하면서도 핵심 정보를 보존하도록 했습니다. 전처리가 완료되면 데이터는 양자 인코딩 단계로 진행됩니다. 양자 머신러닝의 초석인 양자 인코딩은 고전 데이터를 양자 상태 표현으로 변환합니다. WiMi는 각도 인코딩, 진폭 인코딩, 하이브리드 인코딩 방식 등 다양한 양자 인코딩 방안을 체계적으로 비교했습니다. 실험 결과, 서로 다른 인코딩 전략이 네트워크의 표현 능력과 학습 효율에 직접적인 영향을 미치는 것으로 나타났습니다. 각도 인코딩은 회전 게이트를 사용하여 데이터를 양자 상태의 매개변수 공간에 매핑하며, 구현이 간단하고 노이즈에 대한 강건성이 높습니다. 반면, 진폭 인코딩은 더 적은 큐비트로 더 높은 차원의 데이터를 표현할 수 있지만, 구현 복잡성이 상대적으로 높습니다. 데이터가 양자 상태로 인코딩된 후, 네트워크는 양자 컨볼루션 연산을 수행합니다. 고전 컨볼루션 신경망은 컨볼루션 커널을 지역 영역에 슬라이딩하여 특징을 추출하는 반면, QCNN은 매개변수화된 두 개의 큐비트 게이트를 통해 컨볼루션을 구현합니다. WiMi는 양자 얽힘을 통해 서로 다른 특징 간의 상관관계를 구축하는 일련의 학습 가능한 양자 게이트 배열을 구축했습니다. 양자 상태는 여러 상태의 중첩으로 동시에 존재할 수 있기 때문에, 네트워크는 단일 계산 내에서 수많은 잠재적 특징 조합을 병렬로 처리하여 고전적인 컨볼루션 방법보다 더 효율적인 특징 추출을 제공합니다. 특히, 이 모델은 완전 매개변수화된 설계 원칙을 따릅니다. 기존 양자 신경망에서는 특정 양자 게이트 매개변수가 고정되는 경우가 많지만, WiMi가 제안한 아키텍처는 모든 핵심 양자 게이트 매개변수를 학습 중에 업데이트할 수 있도록 합니다. 이 설계는 모델의 표현력을 크게 향상시켜 복잡한 데이터 분포 패턴을 학습할 수 있도록 합니다. 양자 컨볼루션 이후, 네트워크는 양자 풀링 단계로 진입합니다. 고전 풀링 계층은 최대 풀링 또는 평균 풀링을 통해 특징 차원을 줄이는 반면, 양자 풀링은 측정, 얽힘 재구성 및 양자 상태 압축을 통해 유효한 정보를 선별합니다. 계산에 관여하는 큐비트 수를 점진적으로 줄임으로써, 네트워크는 중요한 특징 정보를 유지하면서 후속 계산 복잡성을 줄입니다. 정보 처리 관점에서 이 메커니즘은 고전 딥러닝의 특징 추상화 과정을 반영합니다. 네트워크 계층이 깊어짐에 따라, 입력 이미지의 가장자리, 질감, 모양과 같은 저수준 특징은 점진적으로 고수준 의미론적 추상 표현으로 변환되어 최종 분류 작업을 지원합니다. WiMi는 다양한 매개변수화된 양자 회로 아키텍처, 데이터 인코딩 방식, 손실 함수 및 최적화 알고리즘 조합을 포함하는 여러 QCNN 구성을 테스트했습니다. 실험 결과, QCNN은 대부분의 테스트 시나리오에서 뛰어난 분류 성능을 달성했습니다. 가장 중요한 것은, 고전 컨볼루션 신경망보다 훨씬 적은 매개변수를 사용함에도 불구하고, QCNN은 기존 CNN의 분류 정확도와 동등하거나 이를 능가하는 성능을 보였다는 점입니다. 이는 양자 신경망이 더 높은 매개변수 활용 효율성을 제공한다는 것을 증명합니다. 즉, 양자 모델은 더 적은 학습 가능한 매개변수로 더 풍부한 데이터 특징을 학습하여 전반적으로 우수한 성능을 달성할 수 있습니다. WiMi는 이러한 경쟁 우위를 양자 얽힘이 제공하는 고차원 특징 표현 능력으로 분석했습니다. 고전 신경망에서 뉴런 간의 정보 교환은 연결 토폴로지에 의해 제한되지만, 양자 얽힘은 여러 큐비트 간에 비고전적인 상관관계를 구축하여 제한된 컴퓨팅 자원 하에서도 더 강력한 표현 능력을 네트워크에 부여합니다. 학습 안정성을 향상시키기 위해 연구팀은 최적화 워크플로우를 철저히 탐구했습니다. 양자 신경망 학습은 종종 소실 기울기 및 평탄한 매개변수 영역 문제, 즉 '바른 평원(barren plateau)' 현상으로 어려움을 겪습니다. 이 문제를 해결하기 위해 연구팀은 확률적 경사 하강법, Adam 최적화 알고리즘, 양자 특화 최적화 알고리즘 등 다양한 최적화 기법을 평가하고, 다양한 비용 함수가 모델 학습에 미치는 영향을 분석했습니다. 실험 결과, 잘 설계된 매개변수 초기화 전략과 최적화 파이프라인이 학습 어려움을 효과적으로 완화하여, 네트워크가 더 적은 학습 에포크 내에서 안정적으로 수렴할 수 있음을 확인했습니다. 이 연구는 향후 대규모 양자 신경망 학습을 위한 귀중한 실질적 경험을 제공합니다. 양자 컴퓨팅 기술의 지속적인 발전과 함께, 양자 컨볼루션 신경망은 차세대 지능형 컴퓨팅의 핵심 구성 요소로 발전할 것으로 예상됩니다. 현재의 고전 데이터 분류 실험부터 복잡한 미래 시나리오에서의 대규모 인공지능 응용에 이르기까지, QCNN은 머신러닝의 발전을 재편할 엄청난 잠재력을 보여줍니다. WiMi의 연구는 양자 머신러닝의 이론적 발전을 진전시킬 뿐만 아니라, 효율적이고 저매개변수이며 고성능의 새로운 인공지능 시스템 개발을 위한 혁신적인 기술 경로를 개척하며 양자 지능 시대의 도래를 위한 견고한 기반을 마련하고 있습니다. WiMi 홀로그램 클라우드 소개 WiMi 홀로그램 클라우드(NASDAQ: WIMI)는 홀로그램 클라우드 서비스에 중점을 두고 있으며, 특히 차량용 AR 홀로그램 HUD, 3D 홀로그램 펄스 LiDAR, 헤드 마운트형 광장 홀로그램 장치, 홀로그램 반도체, 홀로그램 클라우드 소프트웨어, 홀로그램 차량 내비게이션, 메타버스 홀로그램 AR/VR 장치, 메타버스 홀로그램 클라우드 소프트웨어와 같은 전문 분야에 집중하고 있습니다. 이는 차량용 홀로그램 AR 기술, 3D 홀로그램 펄스 LiDAR 기술, 홀로그램 비전 반도체 기술, 홀로그램 소프트웨어 개발, 홀로그램 AR 가상 광고 기술, 홀로그램 AR 가상 엔터테인먼트 기술, 홀로그램 ARSDK 결제, 인터랙티브 홀로그램 가상 통신, 메타버스 홀로그램 AR 기술, 메타버스 가상 클라우드 서비스 등 홀로그램 AR 기술의 여러 측면을 포괄합니다. WiMi는 포괄적인 홀로그램 클라우드 기술 솔루션 제공업체입니다. 자세한 내용은 http://ir.wimiar.com 에서 확인할 수 있습니다.