해리팍 - 맛있는 기록

논문 소개이번에 소개할 논문은 “Challenges and Opportunities in Quantum Machine Learning”이다. M. Cerezo, Guillaume Verdon, Hsin-Yuan Huang, Lukasz Cincio, Patrick J. Coles가 공동 집필했으며, 양자 머신러닝(Quantum Machine Learning, QML)의 기본 구조부터 학습의 어려움, 양자 우위가 나타날 가능성이 높은 분야까지 폭넓게 정리한 리뷰 논문이다.이 논문은 새로운 양자 모델 하나를 제안하고 특정 데이터셋에서 성능을 비교하는 일반적인 실험 논문과는 다르다. 대신 지금까지 발표된 다양한 연구를 종합하여 다음 질문에 답한다.양자 머신러닝은 무엇이며, 왜 필요한가?현재 어떤 방식으로 연구..

최근 양자 머신러닝(QML) 관련 모델들을 연구하면서,뼈대가 되는 초기 핵심 논문들을 다시 꼼꼼하게 읽고 있어요오늘은 향후 양자 알고리즘 연구에 계속 참고하기 위해, NISQ(근거리 양자 기기) 시대에 머신러닝을 구현할 수 있는 하이브리드 프레임워크를 제시한 "Quantum Circuit Learning" 논문을 정리하려고 합니다. https://arxiv.org/abs/1803.00745 Quantum Circuit LearningWe propose a classical-quantum hybrid algorithm for machine learning on near-term quantum processors, which we call quantum circuit learning. A quantum ci..

오늘 다뤄볼 논문은"Comparative performance analysis of quantum feature maps for quantum kernel-based machine learning"(양자 커널 기반 기계 학습을 위한 양자 특성 맵의 비교 성능 분석) 입니다.세계적인 학술지 출판사인 네이처(Nature Portfolio)에서 발행하는 'Scientific Reports'에 2026년 2월 게재된 최신 연구입니다 최근 각광받고 있는 양자 컴퓨팅을 머신러닝에 어떻게 적용할 수 있는지, 특히 '데이터를 양자 상태로 어떻게 잘 변환할 것인가(Feature Map)'에 대해 깊이 있게 다룬 아주 흥미로운 연구입니다. 제가 이 논문을 읽고 이해한 내용을 바탕으로, 누구나 쉽게 이해하실 수 있도록 블..

Training Quantum Embedding Kernels on Near-Term Quantum Computers최근 양자 컴퓨터의 '양자 상태'를 활용해 데이터를 고차원 공간으로 보내 분류하는 양자 커널 방법이 큰 주목을 받고 있습니다. 하지만 현재 우리가 가진 양자 컴퓨터(NISQ 시대)는 노이즈가 많아서 완벽한 연산이 어렵죠. 이 논문은 양자 컴퓨터에서 데이터를 인코딩하는 '양자 임베딩 커널(Quantum Embedding Kernel, QEK)'을 어떻게 훈련시키고, 필연적인 노이즈를 어떻게 보정할 수 있는지 실용적인 파이프라인을 제시합니다. 1. 커널 타겟 정렬(Kernel-Target Alignment)을 통한 파라미터 최적화데이터를 양자 공간에 매핑할 때, 아무렇게나 매핑하면 엉망으로 섞..

"이 포스팅은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다."안녕하세요, 구독자 여러분! AI를 공부하며 블로그와 유튜브로 여러분과 소통하고 있는 해리팍입니다. 아래왼쪽은 열받는 나의 맥북..?오른쪽은 새로운 뉴 맥북? AI까지 잘돌아가는?? ㅎㅎ 하하하오늘은 제 오랜 친구이자 애증의 파트너에 대한 이야기를 해보려고 합니다. 벌써 2026년 3월의 봄이 찾아왔네요. 여러분은 전자기기를 한 번 사면 얼마나 오래 쓰시나요? 저는 사실 기계 욕심이 엄청나서, "살 때는 무조건 최고급(풀옵션)으로!"를 외치는 사람입니다. 그 엄청난 기능들을 다 쓰지도 못하면서 말이죠. (웹서핑만 하면서 최고사양 맞추는 그 기분, IT 덕후분들이라면 다들 공감하시죠? 😅)그런데 제 책상 위에는 아주..

최근 양자 컴퓨터를 이용해 인공지능을 학습시키는 양자 머신러닝(QML)이 큰 주목을 받고 있습니다. 많은 사람들이 양자 컴퓨터를 쓰면 당연히 고전 컴퓨터보다 기하급수적으로 빠르고 강력할 것이라고 기대하죠.하지만 이 논문은 우리가 흔히 가지는 이러한 환상에 대해 매우 중요한 팩트 체크를 해줍니다. 제가 분석해 본 결과, 가장 핵심적인 메시지는 "데이터가 주어졌을 때는 고전적인 머신러닝 모델도 양자 모델 못지않게 강력해질 수 있다"는 것이었습니다.1. 데이터의 힘: 고전 모델의 놀라운 반격보통 고전 컴퓨터로는 계산하기조차 엄청나게 어려운 양자 역학적 문제들이 있습니다. 그런데 놀랍게도, 훈련 데이터(Training Data)가 충분히 주어지면 상황이 완전히 달라집니다. 논문에 따르면, 문제의 정답을 밑바닥부..