양자 컴퓨터는 어떻게 신약 개발에 활용될까?

양자 컴퓨터는 고전 컴퓨터에서 처리하기에 너무 복잡한 문제를 양자역학의 법칙으로 해결하는 기술입니다. 양자 컴퓨팅은 기존 컴퓨터보다 계산의 정밀도가 높다는 장점이 있습니다.

양자컴퓨터의 최대 강점은 빠른 정보 처리 속도입니다. 기존 디지털 컴퓨터를 압도합니다. IBM에 따르면 현존 최고 성능의 슈퍼컴퓨터가 10억 년이 걸리는 문제를 양자컴퓨터는 100초 만에 풀 수 있다고 합니다. ‘양자’의 영문이 ‘퀀텀(quantum)’인데, 획기적인 진보를 흔히 ‘퀀텀 점프’로 표현하는 이유가 여기에 있습니다.

양자의 정보 처리 속도가 디지털보다 비교할 수 없을 정도로 빠른 이유는 정보 처리 방식의 차이에 있습니다. 디지털은 정보를 ‘0’과 ‘1’로 나눠 ‘비트’라는 단위로 처리합니다. 하지만 양자는 ‘0’과 ‘1’이 ‘큐비트’ 라는 단위로 함께 처리가 가능합니다. '중첩과 얽힘' 이라는 양자적 특성 때문에 가능합니다. 엄청나게 많은 경우의 수 조합을 한꺼번에 계산할 수 있다고 합니다.

양자컴퓨터의 이런 특성은 신약 개발에 안성맞춤입니다. 신약 개발은 질환과 관련된 유전자, 단백질을 찾아내 이를 없애거나 활성화시킬 수 있는 최적의 물질을 찾는 과정입니다. 이를 위해서는 표적에 정확하게 들어맞는 최적의 구조를 가진 화합물을 찾는 게 핵심입니다. 하지만 수만 가지 화합물 조합을 일일이 실험해보는 건 불가능합니다.

여기에 양자컴퓨터의 빠른 정보 처리 능력이 활용될 수 있습니다. 최적의 화합물 구조를 찾는 데 실패했다고 하더라도 또 다른 구조를 찾는 데 걸리는 시간과 비용이 획기적으로 줄어드는 것이죠. 신약 개발 기간 단축은 글로벌 제약사들이 가장 원하는 목표입니다. 신약 개발 업계에서 시간은 곧 돈이기 때문입니다.

비트와 큐비트란?

기존 컴퓨터는 정보를 일련의 비트 단위로 저장합니다. 비트는 가능한 가장 작은 정보 단위로, 그 값은 0 또는 1입니다.

양자 컴퓨터는 비트가 아닌 큐비트 단위로 정보를 저장합니다.큐비트의 값은 0, 1 또는 두 상태의 혼합일 수 있습니다(이러한 혼합에 대한 기술 용어는 "중첩"임).실제로 큐비트의 값은 항상 0 또는 1로 알려진 클래식 비트와는 달리 불확실합니다.큐비트의 값은 누군가 관찰할 때까지 불확실한 상태로 남아있습니다.

그 결과로, 양자 컴퓨터는 한 번에 여러 상태 또는 버전의 정보를 저장할 수 있습니다. 따라서 양자 컴퓨터는 일반 컴퓨터에 비해 기하급수적으로 빠른 속도로 계산에 대한 솔루션을 처리할 수 있습니다. 여러 사람이 동시에 여러 작업을 하는 팀이 한 사람이 모든 작업을 하는 것보다 프로젝트를 더 빨리 완료하는 것과 같습니다.

정보 세그먼트를 지구본이라고 상상해 보세요. 비트는 지구의 북극이나 남극에 위치할 수 있습니다. 큐비트는 지구 표면의 어느 곳에나 있을 수 있으므로 큐비트에 담을 수 있는 정보의 양이 크게 늘어납니다.

물론 기계적인 수준에서 비트와 큐비트는 실제 지구본이 아닙니다. 비트는 전하를 보유(1)하거나 전하를 보유하지 않는(0) 컴퓨터의 작은 부분입니다. 큐비트란 원자 내에서 전자의 불확실하고 불안정한 위치를 말합니다.

양자 컴퓨터를 구축할 때 어떤 어려움이 있을까요?

현재까지 양자 컴퓨터는 극소수가 제작되었습니다. 구축된 컴퓨터는 작고 불안정하며 실험실 조건이 아니면 사용할 수 없습니다. 이는 양자 컴퓨팅이 다음과 같은 몇 가지 주요 과제에 직면해 있기 때문입니다.

외부 환경으로부터의 간섭

큐비트는 깨지기 쉽습니다. 소음, 진동, 온도 변화, 전자파는 모두 큐비트의 내부 상태를 억제하거나 파괴할 수 있습니다. 양자 컴퓨터가 제대로 작동하려면 이러한 간섭과 기타 유형의 간섭이 없는 고도로 통제된 환경에 있어야 합니다. 이러한 환경은 실험실 외부에서 구축하고 유지 관리하기가 어렵습니다.

예를 들어 고온이나 강한 자력으로 인해 컴퓨터가 느려지거나 파손될 수 있는 등 환경적 요인은 기존 컴퓨터에도 영향을 미칩니다. 그러나 양자 컴퓨터의 경우 문제가 훨씬 더 심각해서 실제 환경에서 작동할 수 있을지 불확실할 정도입니다.

(데스크톱 컴퓨터의 팬이 고온에 대응하는 데 도움이 되는 것처럼 결국에는 간섭에 대응하는 것이 가능할 수도 있습니다.)

오류 수정

양자 컴퓨터는 일반적으로 기존 컴퓨터보다 안정성이 떨어집니다. 따라서 오류가 발생하기 쉽습니다. 모든 컴퓨터는 오류가 생기기 때문에 기존 컴퓨터에는 오류 수정 전용 메모리와 프로세서가 내장되어 있습니다. 하지만 양자 컴퓨터는 처리 능력에 비해 오류 수정에 기존 컴퓨터보다 훨씬 더 많은 리소스를 투입해야 합니다.

온도

큐비트를 안정적으로 유지하려면 양자 컴퓨터는 절대 영도보다 몇 도 높은 극히 낮은 온도를 유지해야 합니다. 다시 말하지만, 이 때문에 고도로 통제된 실험실 환경이 아닌 곳에서는 작동하기가 어렵습니다.

양자 컴퓨팅은 세상에 어떤 영향을 미칠까요?

대규모 양자 컴퓨터의 대량 생산이 가능한지 여부는 물론이고, 대규모 양자 컴퓨터가 실현 가능한지 여부도 아직 불분명하므로 양자 컴퓨팅의 전체적인 영향력을 판단하기는 어렵습니다. 대부분의 사회에서 초소형 컴퓨터는 생활의 거의 모든 측면에서 사용되고 있으며, 많은 사람들이 호주머니에 슈퍼컴퓨터에 해당하는 기기를 가지고 다니고 있습니다(스마트폰처럼).

강력하고 안정적인 양자 컴퓨터는 사회에 긍정적 영향을 크게 미칠 수 있습니다. 그러나 이러한 컴퓨터는 개인 정보 보호 및 보안을 새로운 방식으로 위험에 빠뜨릴 수 있다는 점도 분명합니다.

잠재적인 긍정적 효과

양자 컴퓨터의 응용 분야는 아주 다양합니다. 더 강력한 컴퓨터가 있다면 금융 업계에서는 주식 시장을 더 정확하게 분석하고 예측할 수 있을 것입니다. 기후학자는 날씨 패턴을 더 정확하게 분석하고 예측할 수 있을 것입니다. 양자 컴퓨터가 교통 패턴을 더 잘 예측할 수 있다면 교통 시스템이 더 효율적이 될 수 있습니다.

이 모든 결과는 아직 이론상의 결과입니다. 또한 안정성이 뛰어난 대규모 양자 컴퓨터를 구축할 수 있다고 해도 처리 결과는 입력되는 데이터만큼만 정확할 것입니다. 그럼에도 불구하고 양자 컴퓨팅은 이러한 분야 또는 유사한 분야에 긍정적 영향을 크게 미칠 수 있습니다.

현재 암호화 방식을 깨트릴 수 있습니다

오늘날 중요한 정보는 암호화를 통해 보호되는 경우가 많습니다. 암호화는 키를 사용하여 메시지를 인코딩하는 과정으로, 키를 가진 사람 외에는 누구도 메시지를 읽을 수 없습니다. 암호화를 이용하여 사용자가 웹 사이트에 입력하는 개인 데이터(TLS를 통해), 하드 디스크와 서버에 저장된 비즈니스 데이터, 정부 기밀 데이터 등 중요한 정보가 보호됩니다.

많은 유형의 암호화는 데이터를 보호하기 위해 소인수분해와 같은 어려운 수학 문제에 의존합니다. 이러한 문제의 난이도가 높기 때문에 가능한 시간 내에 암호화를 해독할 수 없습니다. 암호화를 해독하는 잘 알려진 알고리즘이 존재하지만, 더 큰 암호화 키를 사용할 수 있으므로 키를 찾아 암호화를 해독하는 데 기하급수적으로 더 많은 시간이 소요됩니다(기존 컴퓨터의 경우).

그러나 양자 컴퓨터는 이론상으로 현재 배포된 암호화 방법에서 사용되는 어려운 문제를 풀 수 있습니다. 이 시나리오에서는 키 크기를 늘린다고 해서 문제의 난이도가 기하급수적으로 높아지는 것은 아닙니다. 따라서 암호화를 해독하는 데 걸리는 시간이 훨씬 단축될 수 있습니다. 이렇게 되면 양자 컴퓨터가 대부분의 최신 암호화 방식을 깨트려(보호를 손상시켜) 암호화된 데이터가 노출될 위험에 처할 수 있습니다.

양자 컴퓨터의 최신 동향 (feat. IBM)

IBM은 2023년 초, 양자 컴퓨터가 무차별 대입 시뮬레이션의 범위를 넘어서는 회로를 실행할 수 있음을 증명했습니다.(IBM과 UC 버클리의 논문 참조) 처음으로 100큐비트와 3,000게이트의 규모로 아직 선행적인 해답이 없는 양자 회로를 실행할 수 있는 하드웨어와 소프트웨어를 갖추게 되었습니다. 이제 양자 컴퓨팅은 하나의 계산 도구가 되었고, 양자 컴퓨팅 그 자체를 넘어 다양한 분야의 과학을 발전시킬 수 있게 되었습니다.

IBM은 circuit knitting과 같은 도구를 통해 양자 계산의 범위를 향상시킬 수 있고, 잠재적으로 병렬 및 동시 클래식 연산을 통해 여러 양자 회로를 활용하는 새로운 양자 알고리즘이 등장하고 있다고 말합니다.

확장 가능한 병렬 회로 실행과 고급 클래식 연산으로 구성된 이종 컴퓨팅 아키텍처(heterogeneous computing architecture)가 필요하다는 것은 분명합니다.

이종 컴퓨팅 아키텍처란, 여러 종류의 프로세서 또는 계산 리소스를 결합하여 하나의 시스템에서 작업을 수행하는 아키텍처를 가리킵니다. 이것은 CPU, GPU, FPGA 등과 같은 서로 다른 유형의 프로세서를 포함할 수 있습니다.

양자 컴퓨팅 기술이 발전하고 성숙해질 때까지 기존의 컴퓨팅 리소스와 양자 컴퓨팅을 통합하여 다양한 문제를 효율적으로 해결할 수 있습니다.

향후 10년간 IBM의 양자 중심 슈퍼컴퓨팅 로드맵은 다음과 같습니다:

참고자료 https://www.hankyung.com/article/2022092322981 https://www.ibm.com/quantum/blog/quantum-roadmap-2033 https://www.cloudflare.com/ko-kr/learning/ssl/quantum/what-is-quantum-computing/

딥러닝이란?

딥러닝(Deep Learning)은 인간처럼 컴퓨터가 예제를 통해 학습하여 작업을 수행하도록 가르치는 일종의 기계 학습입니다. 컴퓨터에게 고양이를 인식하도록 가르치는 것을 상상해 보세요. 수염, 귀, 꼬리를 찾도록 지시하는 대신 수천 장의 고양이 사진을 보여줍니다. 컴퓨터는 스스로 공통 패턴을 찾아 고양이를 구별하는 방법을 학습합니다. 이것이 딥러닝의 핵심입니다.

기술적 측면에서 딥러닝은 인간의 두뇌에서 영감을 받은 "신경망"이라는 것을 사용합니다. 이러한 네트워크는 정보를 처리하는 상호 연결된 노드의 층으로 구성됩니다. 레이어가 많을수록 네트워크가 더 깊어져 더 복잡한 기능을 학습하고 더 정교한 작업을 수행할 수 있습니다.

머신러닝에서 딥러닝으로의 진화

머신러닝이란?

머신러닝은 그 자체로 컴퓨터가 명시적인 프로그래밍 없이도 데이터로부터 학습하고 의사결정을 내릴 수 있도록 하는 인공지능 (AI) 의 하위 집합입니다. 여기에는 시스템이 패턴을 인식하고 예측하며 시간이 지남에 따라 성능을 향상시킬 수 있는 다양한 기술과 알고리즘이 포함됩니다. 기계학습 vs AI에서 기계 학습과 AI의 차이점을 살펴볼 수 있습니다.

딥러닝이 기존 머신러닝과 다른 점

머신러닝은 그 자체로 혁신적인 기술이었지만, 딥러닝은 인간의 전문 지식이 필요한 많은 작업을 자동화하여 한 단계 더 발전했습니다.

딥러닝은 본질적으로 머신 러닝의 특수한 하위 집합으로, 3개 이상의 레이어로 구성된 신경망을 사용한다는 점에서 차이가 있습니다. 이러한 신경망은 대량의 데이터로부터 "학습"하기 위해 (비록 인간 두뇌의 능력과는 거리가 멀지만) 인간 두뇌의 행동을 시뮬레이션하려고 시도합니다. 머신러닝 vs 딥러닝에서 머신러닝과 딥러닝을 더 자세히 살펴볼 수 있습니다.

Feature 엔지니어링의 중요성

Feature 엔지니어링은 기계 학습 모델에 사용하기 위해 원시 데이터에서 가장 관련성이 높은 변수("기능")를 선택, 변환 또는 생성하는 프로세스입니다.

예를 들어 날씨 예측 모델을 구축하는 경우 원시 데이터에는 온도, 습도, 풍속 및 기압이 포함될 수 있습니다. Feature 엔지니어링에는 이러한 변수 중 날씨를 예측하는 데 가장 중요한 변수가 무엇인지 결정하고 해당 변수를 모델에 더 유용하게 만들기 위해 변환(예: 온도를 화씨에서 섭씨로 변환)하는 작업이 포함됩니다.

기존 기계 학습에서의 Feature 엔지니어링은 도메인 전문 지식이 필요하고, 수동적이고, 시간 소모적인 프로세스인 경우가 많습니다. 그러나 딥러닝의 장점 중 하나는 원시 데이터에서 관련 기능을 자동으로 학습할 수 있어 수동 개입의 필요성이 줄어든다는 것입니다.

딥러닝이 왜 중요한가요?

딥러닝이 업계 표준이 된 이유:

구조화되지 않은 데이터 처리: 구조화된 데이터에 대해 훈련된 모델은 구조화되지 않은 데이터로부터 쉽게 학습할 수 있으므로 데이터 세트 표준화에 소요되는 시간과 리소스가 줄어듭니다. 대용량 데이터 처리: GPU(그래픽 처리 장치)의 도입으로 딥러닝 모델은 빛처럼 빠른 속도로 대량의 데이터를 처리할 수 있습니다. 높은 정확도: 딥러닝 모델은 컴퓨터 비전, 자연어 처리(NLP) 및 오디오 처리에서 가장 정확한 결과를 제공합니다. 패턴 인식: 대부분의 모델에는 기계 학습 엔지니어의 개입이 필요하지만 딥러닝 모델은 모든 종류의 패턴을 자동으로 감지할 수 있습니다. 이 튜토리얼에서는 딥러닝의 세계에 대해 알아보고 인공 지능(AI) 분야에서 경력을 시작하는 데 필요한 모든 주요 개념을 알아보겠습니다.

딥러닝의 핵심 개념

딥러닝 알고리즘과 해당 응용 프로그램의 복잡성을 살펴보기 전에 이 기술을 혁신적으로 만드는 기본 개념을 이해하는 것이 중요합니다. 이 섹션에서는 딥러닝의 구성 요소인 신경망, 심층 신경망, 활성화 함수를 소개합니다.

신경망 딥러닝의 중심에는 인간의 두뇌에서 영감을 받은 계산 모델인 신경망이 있습니다. 이러한 네트워크는 정보를 처리하고 결정을 내리기 위해 함께 작동하는 상호 연결된 노드 또는 "뉴런"으로 구성됩니다. 우리의 뇌가 다양한 작업을 수행하는 다양한 영역을 갖고 있는 것처럼 신경망에도 특정 기능을 위해 지정된 레이어가 있습니다.

신경망이란 무엇인가에서 필수 사항을 자세히 다룹니다.

심층 신경망 신경망을 "깊게" 만드는 것은 입력과 출력 사이에 있는 레이어의 수입니다. 심층 신경망에는 여러 계층이 있어 더 복잡한 기능을 학습하고 더 정확한 예측을 할 수 있습니다. 이러한 네트워크의 "깊이"는 딥러닝에 이름을 부여하고 복잡한 문제를 해결하는 능력을 부여합니다.

심층 신경망 튜토리얼 소개에서는 딥러닝과 인공 지능에서 DNN의 중요성을 다룹니다.

활성화 함수 신경망에서 활성화 함수는 의사 결정자와 같습니다. 그들은 어떤 정보가 다음 레이어로 전달되어야 하는지 결정합니다. 이러한 기능은 복잡성을 더해 네트워크가 데이터로부터 학습하고 미묘한 결정을 내릴 수 있게 해줍니다.

딥러닝의 작동 원리

딥러닝은 특징 추출을 사용하여 동일한 라벨의 유사한 특징을 인식한 다음 Decision Boundary를 사용하여 어떤 특징이 각 라벨을 정확하게 나타내는지 결정합니다. 고양이와 개 분류에서는 딥러닝 모델이 동물의 눈, 얼굴, 체형 등의 정보를 추출해 두 클래스로 나눕니다.

딥러닝 모델은 심층 신경망으로 구성됩니다. 단순 신경망은 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)으로 구성됩니다. 딥러닝 모델은 여러 개의 은닉층으로 구성되며 모델의 정확도가 향상된 추가 레이어가 있습니다.

입력층에는 원시 데이터가 포함되어 있으며 데이터를 은닉층의 노드로 전송합니다. 은닉층의 노드는 더 넓은 목표 정보를 기반으로 데이터 포인트를 분류하고, 이후의 모든 층에서는 목표 값의 범위가 좁아져 정확한 가정이 생성됩니다. 출력층은 은닉층의 정보를 사용하여 가장 가능성 있는 레이블을 선택합니다. 우리의 경우에는 고양이의 이미지가 아닌 강아지의 이미지를 정확하게 예측합니다.

인공지능 vs. 딥러닝

인터넷에서 가장 많이 묻는 질문 중 하나인 "딥러닝이 인공지능인가요?"에 답해 보겠습니다. 대답은 '예'입니다. 딥러닝은 머신러닝의 하위 집합이고, 머신러닝은 AI의 하위 집합입니다.

딥러닝은 어디에 사용되나요?

최근 기술 세계에서는 인공 지능 애플리케이션이 급증했으며 모두 딥러닝 모델을 기반으로 합니다. 애플리케이션은 Netflix의 영화 추천부터 Amazon 창고 관리 시스템까지 다양합니다.

이 섹션에서는 딥러닝을 사용하여 구축된 가장 유명한 애플리케이션에 대해 알아 보겠습니다. 이는 심층 신경망의 잠재력을 최대한 활용하는 데 도움이 될 것입니다.

컴퓨터 비전

컴퓨터 비전(CV)은 자율주행차에서 물체를 감지하고 충돌을 방지하는 데 사용됩니다. 얼굴 인식, 자세 추정, 이미지 분류, 이상 탐지 등에도 사용됩니다.

자동 음성 인식

자동 음성 인식(ASR)은 전 세계 수십억 명의 사람들이 사용합니다. 이는 우리 휴대폰에 있으며 일반적으로 "Hey, Google" 또는 "Hi, Siri"라고 말하여 활성화됩니다. 이러한 오디오 애플리케이션은 텍스트 음성 변환, 오디오 분류 및 음성 활동 감지에도 사용됩니다.

생성 AI

Generative AI는 CryptoPunk NFT가 100만 달러에 판매되면서 수요가 급증했습니다 . CryptoPunk는 딥 러닝 모델을 사용하여 만들어진 생성적 아트 컬렉션입니다. OpenAI 의 GPT-4 모델 도입은 강력한 ChatGPT 도구를 사용하여 텍스트 생성 영역에 혁명을 일으켰습니다. 이제 모델에게 소설 전체를 쓰거나 데이터 과학 프로젝트를 위한 코드를 작성하도록 가르칠 수 있습니다.

번역

딥러닝 번역은 언어 번역에만 국한되지 않습니다. 이제 OCR을 사용하여 사진을 텍스트로 번역하거나 NVIDIA GauGAN2를 사용하여 텍스트를 이미지로 번역할 수 있습니다.

시계열 예측

시계열 예측은 시장 붕괴, 주가, 날씨 변화를 예측하는 데 사용됩니다. 금융 부문은 투기와 미래 예측을 통해 살아남습니다. 딥러닝과 시계열 모델은 패턴을 탐지하는 데 인간보다 뛰어나며 이 산업과 유사 산업에서 중추적인 도구이기도 합니다.

자동화

딥러닝은 작업 자동화(예: 창고 관리를 위한 로봇 훈련)에 사용됩니다. 가장 인기 있는 응용 프로그램은 비디오 게임을 하고 퍼즐을 푸는 능력을 향상시키는 것입니다. 최근 OpenAI의 Dota AI는 프로팀 OG를 이겼습니다. OG는 5개의 봇 모두가 세계 챔피언을 능가할 것이라고 사람들이 기대하지 않았기 때문에 전세계를 놀라게 했습니다.

고객 피드백

고객의 피드백과 불만을 처리하기 위해 딥러닝이 사용됩니다 . 원활한 고객 서비스를 제공하기 위해 모든 챗봇 애플리케이션에서 사용됩니다.

바이오메디컬

딥러닝의 도입으로 가장 많은 혜택을 받은 분야입니다. DL은 바이오메디컬 분야에서 암 검출, 안정적인 의약품 구축, 흉부 X선 이상 검출, 의료 장비 지원 등에 사용됩니다.

딥러닝 모델

다양한 유형의 딥러닝 모델과 작동 방식에 대해 알아봅시다.

지도 학습

지도 학습은 레이블이 지정된 데이터 세트를 사용하여 모델을 훈련하여 데이터를 분류하거나 값을 예측합니다. 데이터 세트에는 예측 레이블과 실제 레이블 간의 손실을 최소화하여 알고리즘이 시간이 지남에 따라 학습할 수 있도록 하는 기능과 대상 레이블이 포함되어 있습니다. 지도 학습은 분류 문제와 회귀 문제로 나눌 수 있습니다.

분류

분류 알고리즘은 특징 추출을 기반으로 데이터 세트를 다양한 범주로 나눕니다. 널리 사용되는 딥러닝 모델은 이미지 분류를 위한 ResNet50 과 텍스트 분류를 위한 BERT(언어 모델)입니다.

회귀

회귀 모델은 데이터 세트를 범주로 나누는 대신 입력 변수와 출력 변수 간의 관계를 학습하여 결과를 예측합니다. 회귀 모델은 일반적으로 예측 분석, 일기 예보 및 주식 시장 성과 예측에 사용됩니다. LSTM 과 RNN은 널리 사용되는 딥러닝 회귀 모델입니다.

비지도 학습

비지도 학습 알고리즘은 레이블이 지정되지 않은 데이터 세트 내에서 패턴을 학습하고 클러스터를 생성합니다. 딥러닝 모델은 사람의 개입 없이 숨겨진 패턴을 학습할 수 있으며 이러한 모델은 추천 엔진에 자주 사용됩니다.

비지도 학습은 다양한 종을 그룹화하고 의료 영상 및 시장 조사에 사용됩니다. 클러스터링을 위한 가장 일반적인 딥러닝 모델은 딥 임베디드 클러스터링 알고리즘입니다.

강화 학습

강화 학습(RL)은 에이전트가 환경에서 다양한 행동을 학습하는 기계 학습 방법입니다. 이 에이전트는 무작위로 행동하고 보상을 받습니다. 에이전트는 사람의 개입 없이 복잡한 환경에서 시행착오를 통해 목표를 달성하는 방법을 학습합니다.

부모의 격려를 받아 아기가 걷는 법을 배우듯이, AI는 보상을 극대화하여 특정 작업을 수행하는 방법을 배우고, 디자이너는 보상 정책을 설정합니다. 최근 RL은 로봇 공학, 자율 주행 자동차의 발전, 게임에서 프로 플레이어 격파, 로켓 착륙 등으로 인해 자동화에 대한 수요가 높아졌습니다.

마리오 비디오 게임을 예로 들어보겠습니다:

• 처음에는 에이전트(마리오 캐릭터)가 환경으로부터 상태 0을 받습니다.
• 상태에 따라 에이전트가 행동을 합니다. 이 경우에는 마리오가 오른쪽으로 이동했습니다.
• 이제 상태가 변경되었으며 마리오는 새로운 프레임에 있습니다.
• 에이전트는 보상을 받습니다. 오른쪽으로 이동하면 마리오가 죽지 않기 때문입니다. 우리의 주요 목표는 보상을 극대화하는 것입니다.
• 에이전트는 단계가 끝나거나 죽을 때까지 행동을 하며 보상을 최대화하는 루프를 계속합니다. 강화 학습 소개에서 자세히 알아보세요.

생성적 적대 네트워크(Generative Adversarial Networks)

생성적 적대 네트워크(GAN)는 두 개의 신경망을 사용하며 함께 원본 데이터의 합성 인스턴스를 생성합니다. GAN은 몇몇 위대한 예술가를 모방하여 걸작을 제작할 수 있기 때문에 최근 몇 년 동안 많은 인기를 얻었습니다. 이는 합성 예술, 비디오, 음악 및 텍스트를 생성하는 데 널리 사용됩니다. Generative Adversarial Networks Tutorial 에서 실제 작업 애플리케이션에 대해 자세히 알아보세요 .

합성 이미지 생성에서 GAN이 작동하는 방식:

• 먼저, 생성기 네트워크는 무작위 노이즈를 입력받아 가짜 이미지를 생성합니다.
• 생성된 이미지와 실제 이미지가 판별기에 입력됩니다.
• 판별 자는 생성된 이미지가 실제인지 여부를 결정합니다. 0에서 1까지의 확률을 반환합니다. 여기서 0은 가짜 이미지를 나타내고 1은 진짜 이미지를 나타냅니다.
• GAN의 아키텍처에는 두 개의 피드백 루프가 포함되어 있습니다. 판별기는 실제 이미지와 함께 피드백 루프에 있는 반면 생성기는 판별기와 함께 피드백 루프에 있습니다. 보다 실제적인 이미지를 생성하기 위해 동기화되어 작동합니다.

그래프 신경망

그래프는 모서리 와 꼭짓점 으로 구성된 데이터 구조입니다. 꼭지점(노드) 사이에 방향 종속성이 있는 경우(방향 그래프 라고도 함) 간선의 방향이 지정될 수 있습니다. 아래 다이어그램의 녹색 원은 노드이고 화살표는 가장자리를 나타냅니다. 방향성 그래프

그래프 신경망 (GNN)은 그래프 구조에서 직접 작동하는 일종의 딥러닝 아키텍처입니다. GNN은 대규모 데이터 세트 분석, 추천 시스템 및 컴퓨터 비전에 적용됩니다. 그래프 네트워크

또한 노드 분류, 링크 예측 및 클러스터링에도 사용됩니다. 어떤 경우에는 그래프 신경망이 컨볼루션 신경망보다 더 나은 성능을 발휘했습니다(예:객체 인식 및 의미 관계 예측).

자연어 처리

자연어 처리(NLP)는 딥러닝 기술을 사용하여 컴퓨터가 인간의 자연스러운 언어를 학습할 수 있도록 지원합니다. NLP는 딥러닝을 사용하여 인간의 언어를 읽고, 해독하고, 이해합니다. 음성, 텍스트, 이미지 처리에 널리 사용됩니다. 전이학습의 도입으로 NLP는 몇 가지 샘플로 모델을 미세 조정하고 최첨단 성능을 달성할 수 있게 되면서 NLP는 한 단계 더 발전하였습니다.

NLP는 여러 분야로 나눌 수 있습니다. 번역: 언어, 분자 구조, 수학 방정식 번역 요약: 주요 정보를 유지하면서 많은 양의 텍스트를 몇 줄로 요약합니다. 분류: 텍스트를 다양한 범주로 나눕니다. 생성: 텍스트에서 텍스트 생성; 한 줄의 텍스트로 전체 에세이를 생성하는 데 사용할 수 있습니다. 대화형: 대화에 대한 과거 지식을 유지하고 인간 대화를 흉내내는 가상 비서. 질문에 답변하기 : AI가 Q&A 데이터를 활용하여 질문에 답변합니다. 특징 추출: 텍스트의 패턴을 감지하거나 "이름 엔터티 인식" 및 "품사"와 같은 정보를 추출합니다. 문장 유사성: 다양한 텍스트 간의 유사성을 평가합니다. 텍스트를 음성으로 변환: 텍스트를 들을 수 있는 음성으로 변환합니다. 자동 음성 인식: 다양한 소리를 이해하여 텍스트로 변환합니다. 광학 문자 인식: 이미지에서 텍스트 데이터 추출. NLP의 다양한 응용 프로그램을 모두 테스트하려면 Hugging Face Spaces를 사용해 보세요. Spaces는 NLP 프로젝트에 대한 영감을 얻기 위해 사용할 수 있는 모든 유형의 웹 애플리케이션을 호스팅합니다.

딥러닝 개념에 대해 깊게 살펴보기

활성화 함수

신경망에서 활성화 함수는 출력 결정 경계를 생성하고 모델 성능을 향상시키는 데 사용됩니다. 활성화 함수는 입력의 중요성에 따라 입력이 뉴런을 통과해야 하는지 여부를 결정하는 수학적 표현입니다. 또한 네트워크에 비선형성을 제공합니다. 활성화 함수가 없으면 신경망은 단순한 선형 회귀 모델이 됩니다.

활성화 함수에는 여러 유형이 있습니다.

• Tanh
• ReLU
• Sigmoid
• Linear
• Softmax
• Swish

이러한 함수는 위 이미지에 표시된 것처럼 다양한 출력 경계를 생성합니다. 여러 레이어와 활성화 함수를 사용하면 복잡한 문제를 해결할 수 있습니다. 딥러닝의 활성화 함수가 무엇인지 자세히 알아보세요.

손실 함수

손실 함수는 실제 값과 예측 값의 차이입니다. 이를 통해 신경망은 모델의 전반적인 성능을 추적할 수 있습니다. 특정 문제에 따라 특정 유형의 함수(예: 평균 제곱 오차)를 선택합니다.

손실 = 합계(예측 - 실제)² Loss = Sum (Predicted - Actual)²

**딥러닝에서 가장 많이 사용되는 손실 함수는 다음과 같습니다:

• 이진 교차 엔트로피(Binary cross-entropy)
• 범주형 힌지(Categorical hinge)
• 평균 제곱 오차(Mean squared error)
• 후버(Huber)
• 희소 범주형 교차 엔트로피(Sparse categorical cross-entropy)

역전파(Backpropagation)

전달 전파 에서는 무작위 입력으로 신경망을 초기화하여 무작위 출력도 생성합니다. 모델의 성능을 향상시키기 위해 역전파를 사용하여 무작위로 가중치를 조정합니다. 모델의 성능을 추적하려면 모델의 정확도를 최대화하기 위해 전역 최소값(global minima)을 찾는 손실 함수가 필요합니다.

확률적 경사하강법

경사하강법은 최소 손실을 달성하기 위해 제어된 방식으로 가중치를 변경하여 손실 기능을 최적화하는 데 사용됩니다. 이제 목표가 생겼지만 더 나은 성능을 달성하기 위해 가중치를 늘릴 것인지 줄일 것인지에 대한 방향이 필요합니다. 손실 함수의 미분은 우리에게 방향을 제공하고 이를 사용하여 네트워크의 가중치를 업데이트할 수 있습니다.

아래 방정식은 경사하강법을 사용하여 가중치를 업데이트하는 방법을 보여줍니다. w = w -Jw

확률적 경사 하강법에서는 경사 하강을 최적화하기 위해 전체 데이터 세트를 사용하는 대신 샘플을 배치로 나눕니다. 이는 최소 손실을 더 빠르게 달성하고 계산 능력을 최적화하려는 경우에 유용합니다.

하이퍼파라미터

하이퍼파라미터는 학습 프로세스를 실행하기 전에 조정 가능한 조정 가능한 매개변수입니다. 이러한 매개변수는 모델 성능에 직접적인 영향을 미치며 더 빠른 전역 최소값을 달성하는 데 도움이 됩니다.

가장 많이 사용되는 하이퍼파라미터 목록:

• 학습률: 각 반복의 단계 크기이며 0.1에서 0.0001까지 설정할 수 있습니다. 즉, 모델이 학습하는 속도를 결정합니다.
• 배치 크기: 한 번에 신경망을 통과하는 샘플 수입니다.
• Epoch 수: 모델이 가중치를 변경하는 횟수를 반복합니다. Epoch가 너무 많으면 모델이 과적합될 수 있고 너무 적으면 모델이 과소적합될 수 있으므로 적절한 숫자를 선택해야 합니다. Keras 튜토리얼: Python의 딥러닝을 따라 이러한 구성요소가 어떻게 함께 작동하는지 자세히 알아보세요.

인기 있는 알고리즘

컨볼루셔널 신경망

컨볼루셔널 신경망(CNN)은 구조화된 데이터 배열을 처리할 수 있는 피드포워드 신경망입니다. 이미지 분류와 같은 컴퓨터 비전 애플리케이션에 널리 사용됩니다. 컨볼루션 신경망 아키텍처컨볼루션 신경망 아키텍처 CNN은 패턴, 선, 모양을 잘 인식합니다. CNN은 컨벌루션 레이어, 풀링 레이어, 출력 레이어(완전 연결 레이어)로 구성됩니다. 이미지 분류 모델에는 일반적으로 여러 개의 컨볼루션 레이어가 포함되고, 그 뒤에는 풀링 레이어가 포함됩니다. 추가 레이어가 모델의 정확도를 높이기 때문입니다. 여기에서 컨볼루셔널 레이어에 대해 자세히 알아보세요: Python의 컨볼루셔널 신경망.

순환 신경망

순환 신경망(RNN)은 계층의 출력을 입력으로 다시 피드백하여 계층의 출력을 예측한다는 점에서 피드포워드 네트워크와 다릅니다. 이는 이전 샘플의 정보를 저장하여 향후 샘플을 예측할 수 있으므로 순차적 데이터로 더 나은 성능을 발휘하는 데 도움이 됩니다. 순환 신경망(RNN) 튜토리얼: 유형 및 예 에서 자세히 알아보세요. 기존 신경망에서는 레이어의 출력이 현재 입력 값을 기반으로 계산되지만 RNN에서는 출력도 이전 입력을 기반으로 계산됩니다. 이를 통해 다음 단어 예측, 주가 예측, AI 챗봇 및 이상 탐지에 매우 좋습니다.

장단기 기억 네트워크

LSTM(장단기 기억 네트워크)은 과거 값에 대해 더 많은 정보를 유지할 수 있는 고급 유형의 순환 신경망입니다. 간단한 RNN에 존재하는 Vanishing Gradient 문제를 해결합니다. LSTM 아키텍처 일반적인 RNN은 단일 tanh 레이어가 있는 반복 신경망으로 구성되는 반면, LSTM은 대규모 데이터 시퀀스를 처리하기 위해 통신하는 4개의 대화형 레이어로 구성됩니다. 딥러닝 모델에 대해 더 자세히 알고 싶다면 주식 예측을 위한 LSTM 튜토리얼이나 Keras를 사용한 고급 딥러닝 튜토리얼을 통해 실습 경험을 쌓을 수 있습니다.

딥러닝 프레임워크

MxNet, CNTK, Caffe2 등 딥러닝 프레임워크는 여러 가지가 있지만 가장 널리 사용되는 프레임워크에 대해 알아보겠습니다.

텐서플로우(Tensorflow)

텐서플로우(TF)는 딥러닝 애플리케이션을 만드는 데 사용되는 오픈 소스 라이브러리입니다. 여기에는 상업용 AI 제품을 실험하고 개발하는 데 필요한 모든 도구가 포함되어 있습니다. 복잡한 모델 학습을 위해 CPU, GPU 및 TPU를 모두 지원합니다. TF는 원래 Google AI 팀에서 내부용으로 개발되었으며 현재는 대중에게 제공됩니다.

Tensorflow API는 브라우저 기반 애플리케이션, 모바일 장치에 사용할 수 있으며 TensorFlow Extended는 프로덕션에 이상적입니다. TF는 이제 업계 표준이 되었으며 학술 연구와 프로덕션에 딥러닝 모델을 배포하는 데 모두 사용됩니다.

TF에는 기계 학습 실험을 분석할 수 있는 대시보드인 Tensorboard 도 함께 제공됩니다 . 최근 Tensorflow 개발자들은 Keras를 심층 신경망 개발에 널리 사용되는 프레임워크에 통합했습니다.

케라스(Keras)

케라스는 Python으로 작성되었으며 Tensorflow 및 Theano와 같은 여러 프레임워크에서 실행될 수 있는 신경망 프레임워크입니다. Keras는 딥러닝의 빠른 실험을 지원하여 개념을 작동하는 AI 애플리케이션으로 쉽게 변환할 수 있도록 개발된 오픈 소스 라이브러리입니다.

문서는 이해하기 매우 쉽고 API는 Numpy 와 유사하므로 모든 데이터 과학 프로젝트와 쉽게 통합할 수 있습니다. TF와 마찬가지로 Keras도 사용 가능한 하드웨어에 따라 CPU, GPU, TPU에서 실행될 수 있습니다.

파이토치(PyTorch)

파이토치는 가장 인기 있고 가장 쉬운 딥러닝 프레임워크입니다. Numpy 배열 대신 텐서를 사용하여 GPU로 구동되는 빠른 수치 계산을 수행합니다. PyTorch는 주로 딥러닝과 복잡한 기계 학습 모델 개발에 사용됩니다.

학술 연구자들은 유연성과 사용 용이성 때문에 PyTorch를 선호합니다. C++ 및 Python으로 작성되었으며 GPU 및 TPU 가속도 함께 제공됩니다. 모든 딥러닝 문제에 대한 원스톱 솔루션이 되었습니다.

결론

이 튜토리얼에서는 딥러닝이 무엇인지, 딥러닝의 기본 사항, 작동 방식 및 적용에 대해 모두 다루었습니다. 또한 심층 신경망이 작동하는 방식과 다양한 유형의 딥러닝 모델에 대해서도 배웠습니다. 마지막으로 몇 가지 인기 있는 딥러닝 프레임워크를 소개했습니다.

[위 문서는 What is Deep Learning? A Tutorial for Beginners의 번역입니다.]