양자 컴퓨팅 (Quantum computing)과 인공지능 (Artificial intelligence)은 종종 서로 분리된 두 개의 개척지로 논의됩니다. 하나는 계산을 위해 양자 역학을 활용하는 것에 관한 것이고, 다른 하나는 점점 더 유능한 학습 시스템과 에이전트를 구축하는 것에 관한 것입니다. TensorCircuit-NG의 핵심 논거는 이러한 분리가 점점 더 의미가 없어지고 있다는 점입니다. 만약 현대의 AI 인프라가 자동 미분 (Automatic differentiation), 컴파일 (Compilation), 가속기 실행 (Accelerator execution), 배치 (Batching), 그리고 분산 학습 (Distributed training)과 관련된 핵심 문제들을 이미 해결했다면, 양자 소프트웨어는 이러한 레이어들을 서투르게 재발명하는 것을 멈추고 그 위에 직접 올라서야 합니다.

이것이 TensorCircuit-NG의 중심 아이디어입니다. 이 프로젝트는 AI 시대에 구축된 양자 소프트웨어 스택으로, AI 지향적 워크로드 (AI-facing workloads)를 목표로 하며, AI 에이전트와의 협업을 위해 점점 더 형태를 갖추어 가고 있습니다. 그 비전은 단순합니다: AI 위에서, AI를 위해, AI와 함께하는 양자 소프트웨어입니다.

On AI: 양자 소프트웨어는 AI 스택을 상속받아야 한다

양자 소프트웨어는 오랫동안 두 가지 익숙한 문제로 인해 발목이 잡혀 왔습니다. 너무 많은 워크로드가 Python 레벨의 제어 흐름 (Control flow)이나 확장성이 떨어지는 고전적 상태 벡터 시뮬레이션 (Classical state-vector simulation) 패턴에 갇혀 있습니다. 동시에, 많은 양자 라이브러리들이 대부분의 도구 혁신이 일어나는 딥러닝 (Deep learning) 생태계 밖에 위치하고 있습니다. JAX, PyTorch, 그리고 TensorFlow는 컴파일, 벡터화 (Vectorization), 가속기 배치 (Accelerator placement), 분산 실행 (Distributed execution)과 같은 질문들에 대해 이미 성숙한 해답을 가지고 있지만, 양자 소프트웨어는 종종 이러한 기능들을 스택의 가장자리(Edge)에 머물게 해왔습니다.

TensorCircuit-NG는 다른 경로를 택합니다. 이 프레임워크는 양자 회로(Quantum circuits)를 특화된 텐서 연산(Tensor operations)으로 취급합니다. 이러한 설계 선택은 AI 툴체인(Toolchain)의 상당 부분을 거의 "공짜로" 열어줍니다. 자동 미분(Automatic differentiation)은 변분 양자 알고리즘(Variational quantum algorithms)에 자연스럽게 매핑됩니다. 반복적인 회로 평가에는 JIT(Just-in-time) 컴파일이 중요합니다. 매개변수(Parameters), 측정(Measurements), 궤적(Trajectories) 또는 데이터셋(Datasets)에 대한 배칭(Batching)에는 벡터화된 매핑(Vectorized mapping)이 중요합니다. 가속기 지원(Accelerator support), 혼합 정밀도(Mixed precision), 그리고 분산 실행(Distributed execution)은 설계 초기부터 포함되어 있습니다.

그러한 철학은 아키텍처(Architecture)에 나타납니다. TensorCircuit-NG는 텐서 우선(Tensor-first) 세계관을 중심으로 구축되었습니다. 즉, 모든 객체는 텐서이거나 텐서의 네트워크입니다. 이것이 기본 단위(Primitive)가 되면, 하나의 워크플로(Workflow) 내에서 서로 다른 계산 모델들을 더 쉽게 구성할 수 있습니다. 게이트 기반 회로(Gate-based circuits), 텐서 네트워크(Tensor networks), 신경망 모델(Neural models), 노이즈 시뮬레이터(Noisy simulators), 아날로그 진화(Analog evolution), 근사 방법(Approximate methods), 그리고 심볼릭 표현(Symbolic representations)이 하나의 일관된 환경 내에서 공존할 수 있습니다.

성능 이야기는 이러한 설계에서 직접적으로 이어집니다. TensorCircuit-NG는 여러 장치(Devices)와 여러 호스트(Hosts)에 걸쳐 데이터 병렬성(Data parallelism)과 모델 병렬성(Model parallelism)을 모두 지원합니다. 실제로 이는 워크로드가 아주 단순하게 병렬화될 수 있는 경우(Embarrassingly parallel) 입력, 측정 또는 노이즈 궤적에 대한 분산을 의미하며, 수축(Contraction) 자체를 하드웨어 전체로 나누어야 하는 경우에는 텐서 네트워크 슬라이스(Tensor-network slices)에 대한 분산을 의미합니다. 단일 GPU 및 멀티 GPU 시스템 모두에서의 벤치마크(Benchmarks) 결과에 따르면, 컴파일(Compilation)과 텐서 네트워크 기질(Tensor-network substrate)이 잘 구현되어 있다면 고수준 Python API로도 여전히 높은 성능을 제공할 수 있음을 보여줍니다. 대표적인 워크로드에서 이러한 성능은 IBM의 Qiskit 및 Google의 TensorFlow Quantum과 같은 주류 스택(Mainstream stacks)에 비해 수 자릿수(Several orders of magnitude)에 달하는 속도 향상을 달성했습니다.

TensorCircuit-NG는 양자 컴퓨팅 (Quantum computing), 고성능 컴퓨팅 (High-performance computing), 그리고 지능형 컴퓨팅 (Intelligent computing) 사이의 가교 역할을 합니다. 또한 양자 모델이 현대 계산 과학의 나머지 부분과 공존할 수 있는 인터페이스 계층 (Interface layer) 역할도 수행합니다. 더 큰 머신러닝 (Machine learning) 시스템 내부에 양자 계층 (Quantum layers)을 삽입하고자 하는 연구자들은, 문제가 흥미로워질 때마다 생태계의 경계를 넘나들 필요 없이 동일한 워크플로 (Workflow) 내에서 이를 수행할 수 있어야 합니다.

AI를 위해: 빠른 양자 머신러닝을 위한 플랫폼

이 지점에서 인프라의 유용성이 즉각적으로 드러납니다. 양자 머신러닝 (QML)은 회로 설계 (Circuit design), 최적화 (Optimization), 데이터 파이프라인 (Data pipelines), 그리고 반복적인 시뮬레이션 (Simulation)의 교차점에 위치합니다. 이는 느린 소프트웨어에 큰 타격을 주는 워크로드 (Workload)입니다. 연구자들이 새로운 안자츠 (Ansatzes)를 시도하거나, 인코딩 (Encodings)을 변경하고, 절제 연구 (Ablations)를 수행하며, 많은 시드 (Seeds)에 대해 학습하거나, 하이퍼파라미터 (Hyperparameters)를 탐색(Sweep)하고자 한다면, QML에 대한 구호보다는 빠른 프로토타이핑 (Prototyping)과 효율적인 시뮬레이션이 훨씬 더 중요합니다.

TensorCircuit-NG는 바로 이러한 종류의 작업을 위한 강력한 플랫폼을 제공합니다. 미분 가능한 회로 (Differentiable circuits), JIT 컴파일 (JIT compilation), 배칭 (Batching), 가속기 지원 (Accelerator support), 그리고 분산 실행 (Distributed execution)이 모두 하나의 환경 안에 존재합니다. 덕분에 QML 모델에 대한 아이디어에서 실행 가능한 프로토타입으로, 그리고 프로토타입에서 의미 있는 시뮬레이션 캠페인 (Simulation campaign)으로 이동하는 것이 훨씬 쉬워집니다.

이러한 환경에서는 QML에 대한 과학적 동기 (Scientific motivation) 또한 더욱 명확해집니다. 관심의 초점이 고립된 벤치마크 (Benchmark) 승리에서, 기존의 고전적 AI (Classical AI)가 어려움을 겪는 문제에서 양자 모델이 어떻게 작동하는지로 이동합니다. 저희의 자체 연구에서도 이는 이미 두 가지 체계적인 연구로 이어졌습니다: 하나는 나쁜 데이터 (Bad data)에 관한 것이고, 다른 하나는 변화하는 데이터 (Changing data)에 관한 것입니다.

첫 번째 연구는 강건성 (Robustness)을 다룹니다. 레이블 (Labels)에 노이즈가 있거나, 데이터가 오염(Poisoned)되었거나, 훈련 세트의 일부를 나중에 제거해야 하는 경우, 양자 모델은 더 유리한 성능 저하 프로파일 (Degradation profile)을 보여줄 수 있으며 언러닝 (Unlearn)이 더 쉬울 수 있습니다. 두 번째 연구는 가소성 (Plasticity)을 다룹니다. 지속 학습 (Continual-learning) 환경에서 양자 모델은 경직되지 않고 새로운 태스크를 흡수하는 능력을 더 오래 유지할 수 있습니다.

이것들은 여전히 미해결된 연구 과제들입니다. 하지만 소프트웨어 프로젝트의 관점에서 핵심은 명확합니다. 사람들이 양자 기계 학습 (QML)을 진지하게 탐구하고자 한다면, 빠른 반복 (iteration) 비용을 낮춰주는 플랫폼이 필요합니다. TensorCircuit-NG는 바로 그 플랫폼이 되고자 합니다. 이 플랫폼은 연구자들에게 빠른 QML 프로토타이핑 (prototyping), 효율적인 시뮬레이션 (simulation), 그리고 강건성 (robustness), 망각 (unlearning), 적응 (adaptation)에 관한 아이디어의 대규모 테스트를 위한 실용적인 환경을 제공합니다.

AI와 함께: 에이전트 주도 연구를 위한 플랫폼

동일한 논리가 AI 에이전트 (AI agents)에도 적용됩니다. 과학 소프트웨어 스택이 빠르고, 구조화되어 있으며, 조합 가능 (composable)해지면, 이는 에이전트 주도 개발 (agent-driven development)을 위한 자연스러운 기질 (substrate)이 됩니다. 에이전트는 실제 코드를 읽고, 실제 도구를 실행하며, 결과를 검사하고, 살아있는 저장소 (repository) 내에서 반복을 지속할 수 있을 때에만 유용합니다. 이는 소프트웨어 설계 자체가 에이전트 스토리의 일부가 되게 만듭니다.

TensorCircuit-NG는 이러한 유스케이스 (use case)를 염두에 두고 구축되었습니다. API는 비교적 간결하며, 예제와 테스트는 밀도 높은 참조 자료를 제공합니다. 또한 저장소에는 AI 어시스턴트를 위한 명시적인 규칙과 작업별 워크플로우 (workflow)가 포함되어 있습니다. 이를 통해 자연어 의도를 실행 가능한 코드, 벤치마크 (benchmarks), 도표, 그리고 문서로 전환하는 비용을 낮춥니다.

이 프로젝트는 또한 이를 더욱 확장하는 내장된 기능들을 제공합니다:

• arxiv-reproduce: 논문 식별자를 재현 워크플로우 (reproduction workflow)로 변환합니다.
• performance-optimize: scan, jit, vmap, 그리고 수축 튜닝 (contraction tuning)과 같은 최적화 패턴을 주입합니다.
• tc-rosetta: 단순한 구문 (syntax)을 넘어 의도 (intent)에 집중하여 다른 양자 프레임워크의 코드를 번역합니다.
• tutorial-crafter: 프로그램을 세련된 서사형 튜토리얼로 변환합니다.
• 그리고 그 외에도 많은 기능이 있습니다.

이러한 도구들을 종합하면, 이 프레임워크는 연구자들이 아이디어에서 프로토타입(prototype)으로, 프로토타입에서 벤치마크(benchmark)로, 그리고 벤치마크에서 문서화(documentation)로 훨씬 적은 마찰을 느끼며 이동할 수 있는 소프트웨어 플랫폼이 됩니다. 여기서 "AI와 함께(with AI)"라는 말의 실질적인 의미는 다음과 같습니다. TensorCircuit-NG는 단순히 코드베이스를 감싸고 있는 챗봇(chatbot)이 아니라, 실제 개발 인터페이스로서 에이전트(agent)와 잘 작동하도록 설계되었습니다.

더 깊은 주장

이러한 아이디어들을 종합하면, 계산 연구(computational research)의 미래에 대한 스택 레벨(stack-level)의 논제로 귀결됩니다.

첫째, 양자 소프트웨어(quantum software)는 더 이상 고립된 틈새 분야로 설계되어서는 안 됩니다. AI 및 HPC(고성능 컴퓨팅) 세계의 최선책들을 계승해야 하며, 양자 워크로드(quantum workloads)에 수학적으로 충실함을 유지하는 추상화(abstraction)를 통해 이를 노출해야 합니다.

둘째, 동일한 소프트웨어 스택은 빠른 QML(양자 기계 학습) 프로토타이핑과 효율적인 시뮬레이션(simulation)을 위한 강력한 플랫폼을 제공해야 합니다. 이를 통해 강건성(robustness), 언러닝(unlearning), 지속적 적응(continual adaptation)에 관한 아이디어들을 대규모로 빠르게 테스트할 수 있어야 합니다.

셋째, 유능한 소프트웨어 에이전트(software agents)의 등장은 과학적 프레임워크(scientific frameworks)의 설계 목표를 변화시킵니다. 이제 좋은 프레임워크는 숙련된 인간에게도 잘 작동해야 할 뿐만 아니라, 전체 리포지토리(repository)와 툴체인(toolchain) 위에서 작동하는 에이전트가 이해하고, 탐색하며, 생산적으로 확장할 수 있어야 합니다.

이것이 TensorCircuit-NG가 스스로를 정의하는 방식입니다: AI 위에서, AI를 위해, 그리고 AI와 함께하는 양자 소프트웨어입니다. 이는 현대적인 AI 실행 모델(execution model)을 기반으로 구축되었으며, AI 관련 과학적 질문을 목표로 하고, 에이전트가 매개하는 연구 워크플로(research workflows)에 참여할 수 있도록 점점 더 형태를 갖추어가고 있습니다.

시작하기

pip install tensorcircuit-ng

에이전트 우선(agent-first) 워크플로도 잘 작동합니다. 코딩 에이전트에게 tensorcircuit-ng를 설치하고 자연어 지시사항으로부터 작은 양자 애플리케이션을 구축하기 시작하라고 요청해 보세요.