양자 컴퓨팅에 대한 사람들의 이야기를 읽고 따라가다 보면, 양자 컴퓨팅이 가능하게 할 거의 상상할 수 없는 규모와 오늘날 양자 컴퓨터가 실제로 할 수 있는 것 사이에 상당한 차이가 있다는 것을 금방 깨닫게 됩니다. 그래서 저희 친구이자 비즈니스 파트너인 다이넥스(Dynex)가 자사의 양자 시뮬레이션 플랫폼이 다른 공개 양자 시뮬레이션 플랫폼이 제공하는 수십 큐비트에 비해 수천 큐비트에 해당하는 컴퓨팅 성능을 제공한다고 발표했을 때, 저희는 기대감과 회의감을 동시에 느꼈습니다.
다이넥스의 주장이 사실이라면, 그들의 플랫폼이 실험실 밖에서도 실제 문제 해결에 활용될 수 있을 것으로 예상됩니다. 하지만 다이넥스가 다른 방법으로는 불가능했던 수준의 역량을 실제로 제공할 수 있을까요? 저희는 이 질문에 답할 수 있는 유일한 방법은 직접 통제된 테스트를 수행하는 것이라고 생각합니다.
Dynex는 자사의 양자 시뮬레이션 플랫폼이 다른 공개 양자 컴퓨팅 플랫폼보다 훨씬 뛰어난 규모와 성능으로 양자 알고리즘을 실행할 수 있다고 주장합니다. 저희는 현재 이 연구를 완료했으며, Dynex가 보고한 결과를 여섯 가지 테스트 사례 모두에서 성공적으로 재현했음을 확인할 수 있습니다.
하지만 제 말씀에 신중을 기해 주시기를 부탁드립니다. 30년 넘게 신기술을 다루어 온 저는 기술적 "혁신"에 대해 경계심을 가지고 있습니다. 따라서 유사한 결과를 재현할 수 있는지 확인하고자 하는 모든 분께 저희가 제공하는 전체 테스트 세트(실제 테스트 스크립트 포함)를 기꺼이 제공해 드리겠습니다.
또한, 우리는 이러한 유형의 검증을 위해 Dynex가 해당 플랫폼에 접근할 수 있도록 허용하는 계약을 Dynex와 체결했습니다.
FSE를 따르는 분들이라면 아시겠지만, 저희의 핵심 원칙은 신기술이 기업이 이전에는 달성할 수 없었던 목표를 달성할 수 있도록 지원할 때에만 가치를 창출한다는 것입니다. 이는 Dynex에게 더 높은 기준을 제시합니다. Dynex는 다른 양자 플랫폼보다 우수한 성능을 입증해야 할 뿐만 아니라, 동일한 실제 문제를 해결할 때 플랫폼의 성능이 기존 컴퓨팅 솔루션과 동등하거나 더 우수함을 입증해야 합니다.
이러한 높은 기준에 비추어 볼 때, Dynex는 추가 조사가 필요한 다양한 고부가가치 사용 사례에서 유망하고 의미 있는 결과를 보여주었습니다.
이 보고서는 26페이지 분량이므로 공간 제한으로 인해 일부 내용만 발췌했습니다.
0. 실행 계획
2025년 초, 다이넥스(Dynex Corporation)는 자사의 양자 시뮬레이션 플랫폼을 일반에 공개할 예정입니다. CPU와 GPU 기반의 기존 컴파일 인프라에서 구동되는 이 플랫폼은 사용자에게 게이트 기반 및 어닐링 양자 알고리즘을 모델링하고 실행할 수 있는 기능을 제공합니다. 다이넥스는 다양한 모델링 방식을 통해 자사 플랫폼이 다른 공개 양자 컴퓨팅 플랫폼을 통해 달성 가능한 성능 수준을 훨씬 뛰어넘는 진정한 양자 알고리즘을 실행할 수 있다고 주장합니다.
Dynex의 또 다른 핵심 주장은 성능과 복잡성 간의 관계에 관한 것입니다. 대부분의 양자 알고리즘에서 요소를 추가할 때마다 계산 복잡성이 기하급수적으로 증가합니다. Dynex는 자사 플랫폼의 성능이 반기하급수적으로 증가한다고 주장합니다. 즉, 요소를 추가하여 증가하는 실행 시간이 요소를 추가하여 증가하는 복잡성보다 적습니다.
이러한 주장에 대한 증거와 독립적인 검증을 제공하기 위해 Dynex는 통합 파트너인 Finserv Experts(FSE)에 플랫폼 기능에 대한 독립적인 평가를 요청했습니다. FSE는 테스트 도구(테스트 자체의 소스 코드 포함)를 공개하여 관심 있는 누구나 테스트 결과를 완벽하게 재현할 수 있도록 한다는 조건으로 이 평가에 동의했습니다.
FSE와 Dynex는 각각 양자 능력을 표현하기 위한 공통적인 참조 사례를 나타내는 6가지 시나리오에 대해 공동으로 합의했습니다.
그리고 각각의 가치는 이러한 평가의 기초로서 잠재적인 현실 세계의 가치를 가지고 있습니다.
(1) n비트 덧셈기
(2) 순회 세일즈맨 문제
(3) 역방향 회로 실행
(4) 쇼어 알고리즘
(5) 단백질 접힘
(6) Grover 알고리즘을 이용한 역해싱
각 테스트 시나리오에 대해 FSE는 다음 두 가지 질문에 답하려고 시도합니다.
[1] Dynex의 결과를 독립적으로 검증하는 것이 가능합니까?
[2] Dynex 플랫폼의 기능을 사용하여 측정 가능한 가치가 있는 솔루션을 제공할 수 있는 잠재적인 실제 사용 사례가 있습니까?
평가 완료 후, FSE는 Dynex가 여섯 가지 사례 모두에서 주장한 것과 동일한 성능 수준을 독립적으로 달성할 수 있음을 확인할 수 있습니다. 또한 FSE는 Dynex의 준지수적 스케일링 주장이 적어도 이 평가에서 측정된 범위 내에서는 타당해 보임을 확인할 수 있습니다.
두 번째 질문에 대한 확실한 답을 얻으려면 단순히 Dynex 성능 지표의 재현성을 평가하는 것 이상의 노력이 필요합니다. 이러한 지표는 다른 공개적으로 이용 가능한 양자 플랫폼의 성능보다 분명히 우수할 수 있지만, 실제 가치를 갖기 위해서는 유사한 목표를 달성하는 기존 컴퓨팅 솔루션보다 우월함을 입증해야 합니다. 이러한 이점을 완전히 확인하려면 추가 연구가 필요하지만, 여러 사용 사례에 대한 충분한 증거가 있으므로 추가 조사를 정당화할 수 있습니다.
1. 기회비용과 동기부여
시간을 투자하면 기회 비용이 발생합니다. 특히 저희와 같은 서비스 회사의 경우 더욱 그렇습니다.
우리의 시간은 곧 우리의 상품이기 때문입니다. Finserv 전문가들은 두 가지 이유로 시간을 투자합니다.
(1) Dynex는 Finserv Experts를 통합 파트너로 선정했습니다. 고객에게 Dynex 플랫폼 기반 솔루션을 제공하기 위해서는 Dynex가 주장하는 수준의 성능과 기능을 구현할 수 있다는 확신을 가지고 참여해야 했습니다.
(2) 저희 회사의 핵심 사명은 기업이 신기술로부터 측정 가능한 가치를 창출하도록 지원하는 것입니다. 양자 컴퓨팅은 저희가 역량을 개발하기로 선택한 신기술 중 하나이지만, 대부분의 양자 기술은 아직 실질적인 비즈니스 가치를 제공할 만큼 성숙되지 않았습니다. 다이넥스의 주장이 사실이라면, 다이넥스가 현재 양자 시뮬레이션 플랫폼을 제공하고 있음에도 불구하고 지금 당장 실질적인 가치를 지닌 솔루션을 제공할 수 있습니다.
2. 다이넥스 소개
Dynex 플랫폼은 상미분 방정식(ODE)을 사용하여 물리계의 동역학을 시뮬레이션하는 새로운 양자 컴퓨팅 접근 방식을 도입합니다. 이 접근 방식을 통해 Dynex는 "알고리즘 큐비트"라고 불리는 것을 생성할 수 있습니다. Dynex의 목표는 기존 하드웨어에서 양자 동작을 시뮬레이션하는 확장 가능하고 효율적인 방법을 제공하는 것입니다.
기존 시뮬레이터 대부분은 슈뢰딩거 방정식과 같은 편미분 방정식(PDE)을 푸는 데 의존하는 경향이 있습니다. 하지만 기하급수적으로 증가하는 복잡성으로 인해 한계에 부딪히게 됩니다. Dynex는 ODE 기반 접근 방식을 복잡성에 따라 지수함수적으로 확장할 수 있도록 설계하여 기존 시뮬레이터로는 달성하기 어려운 성능을 구현했습니다.
비교를 위해 설명하자면, IBM의 Aer 시뮬레이터나 구글의 양자 텐서 네트워크 시뮬레이터와 같은 대부분의 주요 양자 시뮬레이터는 실제 컴퓨팅 리소스를 고갈시키기 전에 30~40큐비트 이상을 처리하는 데 어려움을 겪습니다. 하드웨어 측면에서 볼 때, IBM의 Osprey와 같은 오늘날 가장 큰 물리적 양자 컴퓨터는 현재 약 433큐비트로 작동합니다.
Dynex는 자사 플랫폼이 기존 GPU 인프라에서 수천 큐비트에 해당하는 데이터를 처리할 수 있다고 주장하며, 이 백서 이를 검증하고자 합니다. 이를 통해 훨씬 더 복잡한 솔루션을 제공할 가능성이 있습니다.
3. 테스트 케이스 1: n비트 덧셈기 회로
Dynex에서 제공하는 공개 벤치마크를 검토했습니다. 이 벤치마크에서 연구팀은 IBM AerSimulator와 IBM 양자 플랫폼(127큐비트 Eagle r3 QPU, ~30K CLOPS) 모두에서 정확히 동일한 양자 회로를 계산했습니다. Dynex SDK 저장소(https://github.com/Dynexcoin/DynexSDK/tree/main/circuit_scaling_benchmark)에서 공개적으로 접근 가능한 이 결과는 두 접근 방식의 실질적인 한계를 보여줍니다.
IBM AerSimulator의 경우, 리소스 요구 사항이 기하급수적으로 증가하기 전에 시뮬레이션할 수 있는 큐비트 수에 제한이 있으므로 수십 개의 큐비트를 넘을 수 없습니다.
IBM Quantum 플랫폼에서 병목 현상은 오류 수정입니다. Eagle r3 장치의 물리적 큐비트 수가 127개임에도 불구하고 노이즈와 결맞음으로 인해 회로 깊이와 충실도가 제한되어 동일한 계산을 작은 문제 크기 이상으로 확장하는 것이 비현실적입니다.
더 자세히 설명하기 위해 Dynex는 이러한 결과를 보여주는 나란히 비교 영상도 공개했습니다.
(https://github.com/dynexcoin/DynexSDK/tree/main/circuit_
스케일링_벤치마크).
이러한 제어 연구는 현재 주요 시뮬레이터와 사용 가능한 양자 하드웨어의 한계를 강조하고 Dynex의 ODE 기반 아키텍처와 같은 대체 접근 방식을 평가할 수 있는 투명한 벤치마크를 제공합니다.
결과는 아래 그림과 같습니다. Dynex 양자 시뮬레이션 플랫폼은 최대 100자리의 숫자를 13초 이내에 성공적으로 처리할 수 있습니다.
분석하다
Dynex 주장을 독립적으로 검증할 수 있나요?
네. Dynex에서 보고한 결과를 성공적으로 독립적으로 재현할 수 있었습니다.
현재 수준의 업무 역량을 활용해 실제 업무 가치를 제공할 수 있을까요?
일부 사용 사례에서는 그렇습니다.
무엇을 측정하는가?
공개 플랫폼의 양자 가산기는 26 또는 64까지의 숫자만 처리할 수 있습니다. Dynex 플랫폼은 1,267, 650, 600, 228, 229, 401, 496, 703, 205, 375와 같이 최대 2,100까지의 숫자를 처리할 수 있음을 보여주었습니다.
실행 시간을 관찰하세요.
실행 시간은 테스트된 전체 범위에서 실용적인 수준을 유지했으며, 6비트의 경우 약 6초에서 100비트의 경우 약 13초로 증가했습니다. 위 3절에서 논의했듯이, Dynex의 주요 주장 중 하나는 자사 접근 방식이 복잡도 대비 지수 함수적(subexponential) 성능 확장을 지원한다는 것입니다. 적어도 테스트된 범위 내에서는 증거가 이를 뒷받침하는 것으로 보입니다.
배경 및 적용성
100비트 숫자를 처리하는 데 걸리는 13초라는 처리 시간은 다른 양자 플랫폼에서 보고된 결과를 훨씬 뛰어넘지만, 여전히 사소한 문제는 아니므로 실제 솔루션은 무차별 대입 계산 능력에 의존하는 대신 이 능력을 특별히 활용해야 합니다.
양자 가산기의 100비트 임계값은 그 자체로 포트폴리오 분석, 사기 탐지 또는 공급망 계획에 사용하기에 충분히 클 수 있지만, 약물 평가, 사이버 보안 또는 기후 모델링에 대한 요구 사항에는 약간 못 미칩니다.
4. 테스트 케이스 2: 순회 세일즈맨 문제
결론: Dynex 플랫폼은 IBM 및 IonQ 플랫폼이 처리하는 문제보다 훨씬 더 큰 TSP 문제를 처리할 수 있습니다.
무엇을 측정합니까?
이 평가는 순회 판매원 문제(TSP)를 어닐링 문제로 집중적으로 다뤘습니다. DWave의 Advantage 시스템과 같은 현재 양자 어닐링 시스템은 약 5,000개의 물리적 큐비트로 제한되어 있습니다. 실제로 임베딩 오버헤드와 노이즈로 인해 해결 가능한 TSP 인스턴스의 크기가 비교적 적은 도시 수로 제한됩니다. 반면, Dynex는 6,400개의 큐비트에 매핑된 80개 도시 TSP를 성공적으로 실행하여, 주요 상용 어닐링 시스템의 유효 하드웨어 한계를 크게 초과했습니다.
배경 및 적용성
이 연구는 Dynex를 최첨단 기존 TSP 솔버가 아닌 양자 어닐링 플랫폼과 비교했습니다. 기존 시스템은 놀라운 성과를 달성했습니다. 예를 들어, Concorde 솔버는 89,000개 도시에 달하는 TSP를 성공적으로 해결했지만, 이는 최대 CPU 부하 상태에서 1년 이상 실행한 후에야 가능했습니다.
따라서 Dynex가 실험실 환경, 특수 하드웨어 또는 런타임으로 인해 일상적인 실무 용도로 사용할 수 없게 만들지 않고도 기존 컴퓨터와 동등하거나 더 나은 성능을 낼 수 있는 TSP 복잡도 범위가 현실 세계에서 존재하는지 여부는 여전히 의문입니다. 대량 고부가가치 산업 분야에서 성공적인 TSP 최적화가 가져올 잠재적 영향을 고려할 때, 추가적인 연구가 필요하다고 생각합니다.
- 역방향 회로 실행
결론: Dynex는 최대 1,028,171까지의 숫자에 대해 역방향 회로 실행을 성공적으로 수행하여 게이트 기반이나 어닐링 플랫폼으로 얻은 결과를 크게 뛰어넘었습니다.
현재 수준의 업무 역량을 활용해 실제 업무 가치를 제공할 수 있을까요?
일부 사용 사례에서는 그럴 수도 있지만, 이를 확인하려면 추가 연구가 필요합니다.
고전 컴퓨터에서 역방향 회로 실행을 수행하는 것은 이론적으로는 가능하지만, 대규모로 구현하는 것은 사실상 불가능합니다. 고전 논리 게이트 중 일부(예: NOT 및 XOR)만 가역적인 반면, 현대 컴퓨팅의 기본이 되는 대부분의 게이트(AND, OR, NAND)는 본질적으로 비가역적이기 때문입니다. 가역 게이트만 사용하여 고전 컴퓨터를 만드는 것은 비실용적이고 비효율적입니다.
무엇을 측정합니까?
벤치마크 테스트 결과, Dynex는 최대 20자리(≈1,028,171)까지의 숫자를 인수분해할 수 있으며, 최대 400큐비트까지 확장 가능합니다. 이와 대조적으로, 현재 사용 가능한 양자 시스템은 매우 작은 인수분해로 제한됩니다. IBM과 IonQ는 N=21에서, D-Wave는 N=35에서 결과를 보였습니다.
배경 및 적용성
이 경우, Dynex 플랫폼은 정수 인수분해를 참조 작업으로 사용하여 양자 회로를 역방향으로 실행하는 실질적인 능력을 보여주었습니다. 다른 테스트와 비교했을 때, 측정된 범위에서 실행 시간 증가는 지수적 스케일링보다는 비례적 스케일링에 더 가까웠습니다. 20비트 수를 인수분해하는 것은 RSA-2048(617비트)과 같은 암호화 표준에 비하면 아직 미미하지만, 현재 공개적으로 사용 가능한 양자 하드웨어에서 달성된 어떤 것보다 훨씬 더 큰 성능입니다.
실제 적용성 측면에서, 위에서 언급한 실제 사용 사례의 대부분에 대해 Dynex 플랫폼에서 역방향 회로 실행의 유용성에 대해 논평하기는 어렵습니다. 역방향 회로 실행이 기존 컴퓨팅 하드웨어에서 구현되는 경우가 드물기 때문에 비교할 기준점이 없기 때문입니다.
Dynex 플랫폼 사용이 소프트웨어 개발, 하드웨어 설계 또는 내결함성 향상에 유의미한 영향을 미치는지 확인하기 위해서는 추가 연구와 프로토타입 제작이 필요합니다. 한편, Dynex의 역회로 엔지니어링이 양자 소프트웨어 개발을 위한 효과적인 디버깅 및 오류 검사 도구가 될 수 있는지 여부를 검토해 보는 것도 가치가 있을 수 있습니다. Dynex를 사용하면 현재 가능한 것보다 더욱 엄격한 오류 검사를 수행할 수 있기 때문입니다.
6. 쇼어 알고리즘
결론: 다이넥스는 40자리 수(13자리 수, 구체적으로는 N = 1,099,510,308,317)를 1초도 안 되는 시간에 성공적으로 인수분해했습니다. 흥미롭게도, 더 짧은 20자리 수는 2초 이상 걸렸습니다.
테스트 케이스 설명
쇼어 알고리즘은 1996년 MIT 교수 피터 쇼어가 처음 제안한 것으로, 매우 큰 정수일지라도 모든 정수의 소인수를 찾는 간결하고 우아한 알고리즘입니다.
쇼어 알고리즘은 이해하고 구현하기 쉽습니다. 6단계로만 구성되어 있어 수학 학사 학위와 파이썬에 대한 기본적인 이해만 있으면 한 시간 안에 코딩할 수 있습니다.
정수 인수분해의 문제는 스크립트를 작성하는 것이 아니라 실행하는 것입니다. 지구상의 모든 컴퓨팅 능력을 은하계 초은하단으로 합치고 그 초은하단 인수를 617비트 숫자(RSA2048 개인 키 크기)로 만든다면, 이를 실행하는 데 현재 우주의 나이보다 더 오랜 시간이 걸릴 것입니다.
양자 컴퓨팅은 여러 가능성을 동시에 처리할 수 있는 능력 덕분에 쇼어 알고리즘을 쉽게 구현할 수 있는 잠재력을 가지고 있습니다.
그렇기 때문에 양자 컴퓨팅은 기존 컴퓨팅으로는 절대 달성할 수 없는 기능을 제공할 수 있다는 것을 보여주는 가장 많이 인용되는 사례입니다.
실제 사용 사례
쇼어 알고리즘은 다양한 잠재적 활용 사례를 가지고 있지만, 가장 흥미롭고 우려스러운 점은 네트워크 보안에 미치는 영향입니다. 만약 쇼어 알고리즘이 RSA-2048 암호 해독을 쉽게 만들 수 있다면, 거의 모든 현대식 암호화를 무용지물로 만들 것입니다. 즉, 거의 모든 기존 소프트웨어 애플리케이션이 오용, 도난, 그리고 악의적인 공격에 노출될 것입니다.
업계에서는 이러한 위협을 매우 심각하게 받아들이고 있으며, 양자 컴퓨팅이 실현 가능해지면 안전을 보장하는 새로운 암호화 방식(종종 양자 이후 암호화 또는 PQE라고 함)을 개발하고 도입하는 데 수십억 달러를 투자하고 있습니다.
제어 기준선
이 글을 쓰는 시점에서 쇼어 알고리즘을 사용하여 양자 컴퓨터가 성공적으로 인수분해한 가장 큰 수는 N = 21입니다. 이 표현에서 N은 인수분해되는 실제 수를 나타내므로 N = 21에 대한 해는 3과 7입니다.
광자 시스템(2011):
Politi, A. 외 (2011). "광자 칩 기반 쇼어 양자 인수분해 알고리즘." 과학
과학, 325(5945), 1221–1224. DOI: 10.1126/science.1173731.
o 세부 정보: 2~4 큐비트를 갖는 광자 양자 칩을 이용한 인수분해를 시연합니다. 구현에는 다음이 사용됩니다.
쇼어 알고리즘의 컴파일 버전으로, 모듈러 지수 연산이 미리 단순화되어 회로 깊이가 줄어듭니다.
성공 확률은 약 90%로 실험 결과보다 약간 낮습니다.
이제 한 걸음 나아가세요.
o 관련성: 광자 시스템의 이정표로 확인되었으나, 확장성은 광자 손실과 게이트 충실도에 의해 제한됩니다.
이온 트랩 시스템(2012):
Martín-Lopez 외 (2012). "핵자기공명에서 Shor의 양자인자분해 알고리즘의 실험적 구현." Nature, 486, 195-199. DOI: 10.1038/nature11111.
o 세부 정보: 이온 트랩에 의해 여기된 7큐비트 핵자기 공명 양자 시스템을 사용하여 분해가 수행됩니다.
과모듈러 지수 연산은 특정 경우에 대해 대량 최적화되고 단순화되었습니다(2호). 고전적 전처리는 양자 연산을 몇 개의 제어 게이트로 축소합니다.
o 상관관계 : 이온트랩 시스템의 가장 큰 요인으로 검증되었으나 특정 요인에 대한 의존성으로 인해
이 방법은 숫자적 속성으로 인해 일반화될 수 없습니다.
초전도 큐비트 시스템(2012–2016):
Lucero 외 (2012). "조셉슨 위상 큐비트 프로세서를 이용한 소인수 계산." Nature Physics, 8719–723. DOI: 10.1038/nphys2385.
o 세부 정보: 인수분해는 4큐비트 초전도 프로세서(Google/UCSB 팀)를 사용하여 수행되었습니다. 이후 실험
(완전히 공개되지는 않았지만 대화에서 언급됨) 경험은 유사한 플랫폼으로 확장되었습니다.
5~6개의 큐비트를 가지고 있으며, 컴파일된 쇼어 알고리즘과 미리 계산된 모듈러 연산을 사용합니다.
o 관련성: 초전도 큐비트 구현을 보여 주지만 일반성을 제한하는 단순화가 포함되어 있습니다.
종합 검토(2020-2023):
Amico, M. 외 (2020). "정수 인수분해의 양자 계산 현황." 양자 과학
및 기술, 5(3), 033001. DOI: 10.1088/2058-9565/ab8b6d.
o 세부 사항: 실험 진행 상황을 검토하고 크로스 플랫폼(광자, 이온 트랩, 초전도체) 물리적 하드웨어가 가장 중요하다는 점을 지적합니다.
모든 데모에서는 맞춤형 회로를 사용하고 특정 상황에 맞춰 하드코딩되어 있다는 점이 강조됩니다.
더 큰 숫자(예)는 아날로그 또는 고전적 양자 하이브리드에서 고려되지만
순수한 양자 하드웨어가 아닙니다.
o 상관관계: NISQ 제약(큐비트 수 ~5~10, 게이트 오류 ~1%)으로 인해 실제적 한계로 확인됨.
최근 튜토리얼 및 커뮤니티 통찰력(2024~2025):
Qiskit 튜토리얼: 쇼어 알고리즘.
ibmq_nairobi 등 7 큐비트 시스템). 회로 깊이(약)로 인해
20~30개의 게이트)와 노이즈가 하드웨어에서 입증된 최대값입니다.
양자 컴퓨팅 스택 교환(2023): "Shor 알고리즘이 실제 하드웨어에서 인수분해할 수 있는 가장 큰 숫자는
합의에 따르면, 결맞음의 한계로 인해 광자 및 초전도체 실험을 인용할 다른 방법은 없다고 합니다.
견고한 데모가 있습니다.
현재 수준의 업무 역량을 활용해 실제 업무 가치를 제공할 수 있을까요?
Dynex 양자 시뮬레이션 플랫폼은 다른 공개적으로 이용 가능한 양자 플랫폼에서 발표된 결과보다 확실히 우수한 성능을 보이지만, 여전히 기존 컴퓨터에서 다른 인수분해 방법을 실행하여 달성할 수 있는 성과에 비하면 턱없이 부족합니다.
무엇을 측정합니까?
평가에는 정수 인수분해를 위한 양자 게이트 회로로 구현된 쇼어 알고리즘이 사용되었습니다. 현재 양자 하드웨어는 여전히 매우 작은 수에 국한되어 있습니다. IBM과 IonQ는 N=21에 대한 결과를 보고한 반면, DWave는 N=35에 대한 결과를 시연했습니다. 반면, Dynex는 N=1,099, 510, 308, 317에 대한 단락 회로를 1초 이내에 성공적으로 실행했습니다.
배경 및 적용성
다이넥스는 13자리 숫자를 1초 이내에 인수분해할 수 있음을 보여주었습니다. 다른 양자 플랫폼이 최대 2자리 숫자만 인수분해할 수 있다는 점을 고려하면 이는 매우 인상적인 결과입니다. 이러한 결과는 아직 특수한 고전적 하드웨어에서는 달성할 수 없습니다. 폴라드의 로(Rho)와 같은 알고리즘은 이미 단일 CPU에서 100자리에서 130자리까지의 숫자를 비슷한 시간 안에 인수분해할 수 있습니다.
그럼에도 불구하고, Dynex에서 얻은 결과는 여전히 추가적인 탐구와 실험이 필요합니다. 측정 범위에 따른 스케일링 곡선은 다른 양자 플랫폼에서 보았던 것과는 상당히 다르며, 현재 Dynex 플랫폼이 어떤 성능을 낼 수 있을지 궁금해질 정도로 낮습니다.
7. 단백질 접힘
결론: Dynex는 2D 격자 기반 최적화 방식을 사용하여 77개 아미노산 사슬 단백질의 최종 모양을 26초 만에 예측하는 데 성공했습니다.
무엇을 측정합니까?
이 문제의 수학적 복잡성은 아미노산 3개에 대한 소수의 연산부터 아미노산 77개에 대한 약 1.5×10까지 다양합니다.
이론적 복잡성이 기하급수적으로 증가함에도 불구하고, Dynex의 실행 시간은 매우 작은 시스템의 경우 0.02초에서 Swiss-Prot의 경우 25초로 소폭 증가했습니다. 이는 측정 범위 내에서 지수함수적인 스케일링 곡선을 보여줍니다.
배경 및 적용성
고전적 컴퓨팅 플랫폼에서 단백질의 최종 상태를 예측하기 위해 이 수학적 기법을 사용하는 데 초점을 맞춘 참고 연구가 있지만, 이러한 실험 중 두 가지는 동일한 방식으로 설정된 적이 없습니다. 이를 평가하려면 추가적인 통제 실험이 필요합니다.
Dynex 방식은 알파 폴드보다 성능이 뛰어나거나 적어도 비슷한 것으로 보입니다(하드웨어 선택에 따라 다름). 하지만 Dynex가 잠재적인 현실 세계 옵션이라고 주장하려면 일관된 실험 조건에서 순수하게 고전적 컴퓨팅 플랫폼(즉, 양자 시뮬레이션 없음)에서 구현된 다른 최적화된 2D 격자 기반 구현과 비교해야 합니다.
- Grover 알고리즘을 사용한 역방향 해싱
결과: Dynex 플랫폼은 최대 128비트의 역방향 해싱을 성공적으로 달성할 수 있었습니다.
테스트 케이스 설명
그로버 알고리즘 설명
그로버 알고리즘은 양자 컴퓨터가 동일한 연산의 여러 버전을 동시에 수행할 수 있는 능력을 이용하는 검색 방법입니다.
대량 가능성 중에서 특정한 가능성을 선택해야 한다고 상상해 보세요. 이를 N이라고 부르겠습니다. 이러한 가능성에는 순서가 없으므로 하나씩 테스트해야 합니다. 즉, 평균적으로 우리가 찾고 있는 가능성을 찾기 전에 가능성의 약 절반, 즉 N/2를 평가해야 합니다.
그로버 알고리즘은 N개의 가능성 중 하나를 선택할 때마다 정답을 선택할 확률을 높이는 방법입니다. 이를 이차 속도 향상(quadratic speedup)이라고 하며, 검토해야 할 평균 가능성의 개수가 N/2에서 N(N의 제곱근)으로 증가합니다.
따라서 예를 들어, 백만 가지 가능성 중에서 올바른 선택을 하기 위해 일반적인 검색을 사용해야 한다면, 올바른 것을 찾기 전에 평균적으로 50만 가지 가능성을 살펴봐야 합니다. 그로버 검색을 사용할 수 있다면, 올바른 것을 찾기 전에 평균적으로 1,000가지 가능성만 살펴보면 됩니다.
역방향 해싱 설명
해싱은 한 세트의 숫자 또는 문자 데이터를 다른 세트의 데이터로 변환하는 작업입니다. 해시가 독특하고 유용한 이유는 되돌릴 수 없기 때문입니다. 변환된 데이터만 있는 경우 원래 데이터가 무엇이었는지 계산할 방법이 없습니다. 입력 데이터의 가능한 모든 값을 하나씩 검토하고 해시 함수를 적용하여 올바른 값인지 확인해야 합니다.
역해싱은 바로 그 과정입니다. 해싱하기 전에 원래 값을 알아내려고 하는 것이죠. 대규모 데이터셋에서는 가능성이 너무 많기 때문에 역해싱이 사실상 불가능합니다. 하지만 그로버 알고리즘은 (적어도 이론적으로는) 올바른 옵션을 선택할 확률을 높이고 확인해야 할 옵션의 수를 대폭 줄여 역해싱을 더 쉽게 만들어 줄 수 있습니다.
실제 사용 사례
쇼어 알고리즘과 마찬가지로 그로버 알고리즘의 가장 중요한 사용 사례는 네트워크 보안 분야입니다.
해싱은 비밀번호를 저장하는 데 사용되는 주요 방법입니다. 사용자가 웹사이트나 소프트웨어 제품에 계정을 만들 때, 생성된 비밀번호는 저장되기 전에 해시됩니다. 나중에 사용자가 해당 비밀번호를 사용하여 로그인을 시도하면 사용자의 입력은 다시 해시되고, 해시된 입력과 저장된 해시값을 비교하여 사용자가 올바른 비밀번호를 입력했는지 확인합니다.
해시는 원래 비밀번호를 복원할 수 없으므로, 정답을 찾을 때까지 계속 추측해야 합니다. 매우 긴 비밀번호의 경우 정답을 맞힐 확률은 거의 0에 가깝지만, 그로버 알고리즘은 정답을 얻기 위해 해야 하는 추측 횟수를 크게 줄여줍니다.
해싱은 블록체인이나 분산원장에서 디지털 서명과 항목을 보호하는 데 사용되는 방법이기도 합니다.
제어 기준선
기존의 공개적으로 이용 가능한 양자 플랫폼에서 역방향 해시 함수를 테스트하는 것은 아직 시연되지 않았습니다. 그로버 알고리즘은 지금까지 매우 작은 규모의 개념 증명 실험(일반적으로 2~8큐비트 범위)으로만 구현되었으며, 이는 가장 간단한 해시 함수조차 실제로 테스트하기에는 부족합니다.
현재까지 양자 컴퓨팅 회사 중 실제 응용 분야에 적합한 규모로 작동하는 유용한 Grover 구현을 출시한 회사는 없습니다. IBM, IonQ, Rigetti 등의 공개 시연은 의미 있는 역방향 해싱 문제를 해결하기보다는 이론적 원리를 증명하기 위해 설계된 장난감 회로에 국한되었습니다.
따라서 Dynex 결과를 직접 비교할 수 있는 기존 양자 하드웨어의 확립된 기준은 없습니다.
따라서 Dynex 벤치마크는 Grover 스타일 회로를 실제 문제와의 잠재적 관련성을 테스트할 만큼 충분히 큰 규모(최대 128비트)에서 실행해 본 최초의 시도입니다.
현재 수준의 업무 역량을 활용해 실제 업무 가치를 제공할 수 있을까요?
아마도 그럴 수도 있습니다. 추가 연구가 필요합니다.
무엇을 측정합니까?
이 벤치마크는 Grover의 역방향 해싱 알고리즘을 평가했습니다. 현재 양자 하드웨어는 매우 작은 테스트 케이스로 제한되어 있는 반면, Dynex는 Grover 회로를 최대 128큐비트(128비트)까지 실행하여 공개 양자 플랫폼의 성능을 크게 능가했습니다.
기본 문제의 복잡성은 측정 범위 전체에 걸쳐 기하급수적으로 증가하며, 4비트에서는 약 10개의 작업, 128비트에서는 약 10개의 작업으로 증가합니다.⁸ 그럼에도 불구하고 Dynex의 런타임은 테스트된 전체 범위에서 비교적 일정하게 유지되었습니다. 4~64비트의 경우 약 15초, 128비트의 경우 약 18초에 불과했습니다. 이는 Dynex가 해당 플랫폼이 지수적 확장보다는 비례적 성능/복잡성 확장을 제공한다고 주장하는 것을 더욱 뒷받침합니다.
배경 및 적용성
SHA-256과 같은 최신 해싱 알고리즘은 8자 이상의 비밀번호와 결합되어 완벽한 성능을 갖춘 양자 컴퓨터에서도 안전하게 작동합니다. Grover의 2차 속도 향상에도 불구하고, 여전히 테스트할 가능성이 너무 많습니다. 그러나 이론적으로 Dynex가 보여준 역량을 활용하여 취약점을 노출할 수 있는 레거시 소프트웨어와 오래된 해싱 방법의 사례는 많습니다.
이 연구의 목적은 공격을 옹호하는 것이 아니라, 그러한 기능에 접근할 수 있는 시기를 파악하여 기업이 시스템이 노출되기 전에 사전에 보호할 수 있도록 하는 것입니다.
그럼에도 불구하고, 사이버 보안 공격 외에도 Grover 방식의 접근 방식이 Dynex 플랫폼이 현재 보여주는 기능을 넘어 실제 가치를 더할 수 있는 잠재적 사용 사례는 많습니다. 추가적으로 살펴볼 만한 몇 가지 사용 사례는 다음과 같습니다.
(1) 데이터 복구: 이전의 소규모 해싱 방법을 사용하여 손상되거나 성능이 저하된 저장 장치에서 정보를 찾습니다.
관심.
(2) 단백질 설계 : 원하는 단백질 속성을 해시값으로 인코딩하고 역방향 해싱을 사용하여
단백질 공간을 효율적으로 검색하여 이러한 특성과 일치하는 후보물질을 식별할 수 있습니다.
(3) 양자 이후 암호화 연구: 대규모 배포 전에 그로버 스타일 양자 검색에 대한 새로운 암호화 방법의 스트레스 테스트를 실시하여 복원력을 검증합니다.
(4) 데이터베이스 검색 및 최적화: Grover와 유사한 검색 기술을 적용하여 대규모 데이터베이스의 정형 및 비정형 데이터에 대한 쿼리 속도를 높입니다.
(5) 인공 지능 및 머신러닝(ML): 모델 검색, 하이퍼파라미터 튜닝 또는 패턴 매칭을 가속화하기 위한 Grover 기반 기본 요소를 탐색합니다.
(6) 오류 수정 및 검증: 전통적인 검사 방법이 비효율적인 대규모 분산 시스템에서는 역방향 해싱이 오류 탐지 도구로 사용됩니다.
9. 요약
Dynex는 자사 양자 시뮬레이션 플랫폼의 성능에 대해 몇 가지 주목할 만한 주장을 내놓았는데, 대부분의 공개 양자 컴퓨팅 플랫폼보다 훨씬 뛰어난 성능을 발휘할 수 있다고 주장했습니다. 만약 사실이라면, Dynex 플랫폼은 적어도 공개 양자 컴퓨팅 플랫폼보다 양자 컴퓨팅 소프트웨어 개발 기술의 광범위한 테스트와 프로토타입 제작을 가능하게 할 것입니다. 그러나 그 외에도, 그들의 주장 중 일부는 사실이라면 Dynex 플랫폼이 양자 시뮬레이터로서도 실제 솔루션을 제공하는 데 사용될 수 있다는 가능성을 제기합니다.
우리 연구의 목적은 두 가지 질문에 답하는 것이었습니다.
[1] Dynex의 결과를 독립적으로 검증하는 것이 가능합니까?
대답은 물론 '예'입니다.
테스트 케이스 구현을 자세히 검토하고, 스크립트를 독립적으로 실행하고, 알려진 참조 자료와 비교하여 결과를 검증했습니다. 각 사례에서 Dynex에서 보고한 결과와 유사한 결과를 얻었습니다.
[2] Dynex 플랫폼의 기능을 사용하여 측정 가능한 가치가 있는 솔루션을 제공할 수 있는 잠재적인 실제 사용 사례가 있습니까?
대답은 '예'입니다. 하지만 '예'라는 표현이 더 적절합니다.
저희의 연구에 따르면 Dynex는 여섯 가지 텍스트 사례 모두에서 공개적으로 이용 가능한 양자 플랫폼보다 성능이 뛰어난 것으로 나타났지만, 이러한 테스트 사례는 반드시 양자 알고리즘을 참조하는 것입니다. 이러한 사례 중 일부에서는 기존의 고전적 기술이 여전히 상당히 더 나은 결과를 생성합니다(예: TSP).
그러나 현재 Dynex 플랫폼이 기존 컴퓨팅 기술을 능가하거나 경쟁하는 결과를 제공할 수 있는 몇 가지 특정 활용 사례가 있습니다. 이러한 활용 사례에는 포트폴리오 분석, 공급망 최적화, 단백질의 최종 형태 예측 등이 포함될 수 있지만 이에 국한되지는 않습니다.
10. 다음 단계
- 이 연구의 다음 단계
이러한 유형의 연구에 대한 궁극적인 검증은 결과의 재현성입니다. 이러한 이유로, 저희는 Dynex와 협력하여 스크립트를 직접 실행하고 동일한 결과를 재현할 수 있는지 확인하고자 하는 모든 사람에게 이 연구의 소스 코드를 공개하기로 했습니다. 저희가 유일하게 요구하는 조건은 이 테스트를 수행한 모든 사람이 결과를 나중에 저희와 공유해야 한다는 것입니다. 결과를 직접 확인하고 싶으시면 다음 이메일 주소로 문의해 주세요.
dynex_study@finservexperts.com .
위에서 언급했듯이, 다양한 사용 사례에 걸친 이러한 초기 결과는 Dynex 양자 시뮬레이션 플랫폼의 현재 역량이 실험실 밖의 실제 시나리오에서 입증 가능한 가치를 더할 만큼 충분히 강력함을 보여줍니다. 양자 컴퓨팅이 잠재적으로 새로운 지평을 열 수 있는 문제들을 논의하고 있기 때문에, 이러한 모든 시나리오가 결코 가볍게 여겨서는 안 될 매우 복잡한 문제라는 점은 놀라운 일이 아닙니다. 다음 단계는 이러한 시나리오에서 Dynex 플랫폼의 유용성을 더욱 견고하게 검증하는 것이며, 이상적으로는 관련 솔루션 분야에 이미 깊이 있는 전문 지식을 보유한 공공, 민간 또는 학계 기업과 협력하여 이를 수행하는 것이 좋습니다.
- 다이넥스의 다음 계획은 무엇인가?
현재 Dynex 플랫폼은 소프트웨어 기반이며, CPU 기반 하드웨어에서 실행됩니다. 하지만 이번 연구가 다른 공개 양자 플랫폼의 발표된 결과보다 상당한 개선을 보여주었음에도 불구하고, Dynex는 하드웨어 기반 솔루션이 훨씬 더 큰 발전을 제공할 것이라고 믿습니다.
이를 위해 다이넥스는 아폴로(Apollo)라는 전용 실리콘 칩에 이 접근 방식을 구현하기 위해 노력하고 있습니다. 다이넥스는 아폴로가 실온에서 작동하는 뉴로모픽 아키텍처에서 1,000개의 물리적 큐비트를 구동할 것이라고 밝혔습니다. 다이넥스의 로드맵은 아폴로 이후의 성능을 몇 배나 증가시킬 여러 가지 추가 버전을 구상하고 있으며, 장기적으로는 2034년까지 물리적 큐비트 100만 개에 도달하는 것을 목표로 합니다.
- Finserv 전문가를 위한 다음 단계
FSE의 사명은 새로운 기술이 가능하게 하는 새로운 역량 없이는 불가능했을 새로운 비즈니스 모델을 고객이 설계, 개발, 배포하도록 돕는 것입니다.
우리는 양자 과학자가 아니며 Dynex의 접근 방식이 양자 컴퓨팅의 "진정한" 시뮬레이션인지, 또는 계획된 하드웨어 출시가 "진짜" 큐비트인지에 대해 논평할 자격이 없습니다.
우리가 언급할 수 있는 것, 우리가 평가할 자격이 있는 것, 그리고 궁극적으로 우리가 진정으로 중요하게 여기는 것은 증거 기반 결과입니다. 이 연구는 Dynex가 자신들이 주장하는 결과를 충분히 제공할 수 있음을 만족스럽게 보여줍니다. 더 나아가, Dynex가 보여준 역량 수준이 특정 목표 사용 사례에 영향을 미칠 것이라고 믿을 만한 근거가 있습니다.
다음 단계는 고객과 협력하여 이러한 새로운 기능을 활용하여 이전에는 불가능했던 새로운 기능을 구현하는 방법을 모색하는 것입니다. —————————————————저작권 고지: 이 글은 CSDN 블로거 "Aibit"의 원문이며 CC 4.0 BY-SA 저작권 계약을 따릅니다. 재인쇄 시 원본 출처 링크와 이 고지사항을 첨부해 주십시오. 원문 링크: https://blog.csdn.net/u010876122/article/details/151117714
