베이징 공업대학의 장샹둥 교수 연구팀은 획기적인 연구 성과를 통해 놀라운 ‘양자 속도 향상’을 보여주는 새로운 유형의 광학 신경망(ONN)을 공개했습니다
이 혁신은 classic광학적 상관관계를 활용하여 ONN의 연산 능력을 크게 향상시킵니다. Light Science & Application에 발표된 이 연구 성과는 컴퓨팅 자원 제약을 완화하면서 효율적인 머신러닝 모델에 대한 끊임없이 증가하는 수요를 충족하는 데 있어 중요한 진전을 의미합니다.
광학 및 양자 신경망을 활용하여 AI 효율성을 향상시킵니다.
인공지능( AI ) 기술, 특히 머신러닝 알고리즘은 최근 몇 년 동안 엄청난 발전을 이루어 이미지 인식, 자연어 처리, 객체 탐지와 같은 작업에서 dent
하지만 이러한 발전에는 대가가 따릅니다. 상당한 컴퓨팅 자원이 필요하기 때문입니다. 현재 컴퓨팅 성능은 한계에 다다르고 있어 머신러닝 모델의 학습 비용을 줄이고 학습 효율성을 향상시켜야 할 필요성이 대두되고 있습니다.
연구자들은 이러한 문제를 해결하기 위해 광학 신경망(ONN)과 양자 신경망이라는 두 가지 주요 분야에 노력을 집중해 왔습니다. ONN은 고급 광학 조작 기술을 활용하여 classic 광학 정보 처리 방식에서 머신 러닝 알고리즘을 실행합니다.
이러한 네트워크는 낮은 에너지 소비, 최소한의 크로스토크, 낮은 전송 지연 시간 등 여러 가지 장점을 자랑합니다. 그러나 기존 ONN은 알고리즘 가속 기능이 부족하여 모델 수렴 속도가 빠르지 않습니다.
반면, 양자 신경망은 양자 컴퓨팅 이론에 기반한 신경망 알고리즘입니다. 최근 연구에 따르면 양자 신경망은 양자 상관관계 덕분에 알고리즘 속도를 향상시킬 수 있습니다. 하지만 양자 신경망의 실용적인 응용은 기술적 한계로 인해 제약을 받고 있으며, 대규모 배포에 어려움을 겪고 있습니다.
최근 논문에서 제시된 획기적인 성과는 양자 신경망에서 볼 수 있는 알고리즘 가속을 모방하는 새로운 광학 신경망의 개발에 관한 것입니다. 이 놀라운 성과는 classic광학 상관관계를 정보 전달 매개체로 도입함으로써 가능해졌습니다. 이러한 상관관계는 양자 컴퓨팅과 유사한 정보 처리를 가능하게 하며, 이는 동일한 연구팀이 이전에 시연한 개념입니다.
연구진은 상관된 광학 상태에 대한 컨볼루션 및 풀링 연산을 개발하여 상관 광학 컨볼루션 신경망(ONN)을 구현했습니다. 이 ONN은 특정 데이터 세트에서 가속 학습 성능을 보이며, 특정 인코딩 원칙에 따른 양자 상태의 특성을dent데 적용될 수 있습니다. 이번 연구 성과는 알고리즘적으로 향상된 광학 신경망의 가능성을 열어주며, 빅데이터 처리 시대에 큰 이점을 제공할 것으로 기대됩니다.
상관 광학 컨볼루션 신경망은 상관 광원, 컨볼루션, 풀링 및 검출의 네 가지 주요 구성 요소로 이루어져 있습니다. 핵심 처리는 컨볼루션 및 풀링 부분에서 수행됩니다.
이러한 구성 요소는 광학 상태의 상관 관계를 조작하고 빔 병합을 통해 더 간단한 상관 관계를 가진 상태를 생성한다는 점에서 classic합성곱 신경망의 구성 요소와 다릅니다.
연구를 이끄는 과학자들은 "이 두 부분은 실제로 양자 합성곱 신경망의 양자 게이트와 유사한 연산을 수행합니다. 우리 네트워크의 합성곱 부분은 상관된 광학 상태에 대한 유니터리 연산으로 구성되며, 이는 큐비트의 힐베르트 공간에 대한 유니터리 연산과 유사합니다."라고 설명합니다.
우리가 고려하는 풀링 부분은 부분 큐비트를 측정하여 서브 힐베르트 공간을 얻는 것과 같습니다. 이는 데이터 차원의 기하급수적 감소로 이어져 특정 데이터셋을 학습할 때 손실 함수의 수렴 속도를 높이는 데 기여합니다
또한 연구진은 양자 상태의 위상dent을 통해 상관 광학 컨볼루션 신경망과 양자 컨볼루션 신경망 간의 유사성을 입증했습니다. 이론적 및 실험적 결과 모두 이 입증을 뒷받침합니다.
양자 신경망에 대한 비용 효율적인 대안
이번 연구 결과는 양자 신경망의 특성을 보다 비용 효율적인 방식으로 구현할 수 있는 흥미로운 가능성을 제시합니다. 양자 신경망은 잠재적인 이점을 제공하지만, 실제 구현에는 여러 개의 다중 큐비트 게이트와 복잡한 측정 과정을 포함하는 정교한 양자 회로가 필요합니다.
이러한 회로는 환경적 교란에 매우 취약하여 안정성과 오류 수정이 상당한 과제입니다.
본 연구에서 소개하는 상관 광학 신경망은trac대안을 제시합니다. 이 신경망은 소자 배열이 용이하고 실험 시 환경적 요구 조건이 낮다는 장점을 가지고 있습니다.
데이터의 기하급수적 증가와 고품질 연산을 위한 자원의 부족을 고려할 때, 이 접근 방식은 다양한 데이터 과학 연구 분야에 폭넓게 적용될 수 있는 비용 효율적이고 고성능의 솔루션을 제공합니다.
