양자컴퓨팅의 확률분포란? 확률진폭과 Born Rule로 이해하기

양자컴퓨팅 설명을 보다 보면 이런 말을 자주 접합니다.

“이 회로의 결과는 확률 분포로 나타난다”
“양자 알고리즘은 확률 분포를 만들어내는 계산이다”

그런데 많은 사람들이 여기서 헷갈립니다.

• ❓ 이게 통계에서 말하는 확률 분포와 같은 건가?
• ❓ 그냥 랜덤 출력이 반복되는 것인가?
• ❓ 그럼 계산 결과가 왜 ‘정답’이 될 수 있는가?

이 글에서는 양자컴퓨팅에서 말하는 ‘확률 분포’의 정확한 의미를
고전 확률과 비교하며 차근차근 정리합니다.

양자컴퓨팅의 확률 분포는 ‘상태의 무작위성’이 아니라
측정(measurement)을 통해 드러나는 ‘상태 구조의 결과’다.

 

양자컴퓨터의 측정 결과가 확률적으로 나온다고 해서 계산 과정 전체가 단순한 난수 생성인 것은 아닙니다.

양자 상태에는 probability amplitude가 존재하고, 계산 기저에서 특정 결과를 측정할 확률은 해당 확률진폭의 절댓값 제곱으로 결정됩니다. 이를 Born Rule이라고 합니다.

먼저 짚고 가기: 고전 확률 분포란?

고전 컴퓨팅이나 통계에서의 확률 분포는 다음을 의미합니다.

• 이미 결과는 정해져 있음
• 우리는 그 결과를 모를 뿐
• 확률 = 무지(ignorance)의 표현

예:

• 주사위 → (1/6, 1/6, …)
• 난수 생성기 → 균등 분포 or 특정 분포

📌 확률은 현상을 설명하는 도구이지, 상태 자체는 아님

양자컴퓨팅에서 ‘확률 분포’가 등장하는 이유

양자컴퓨터는 비트 값을 직접 계산하지 않습니다.
대신 **양자 상태 |ψ⟩**를 계산합니다.

∣ψ⟩=∑iαi∣i⟩|\psi⟩ = \sum_i \alpha_i |i⟩∣ψ⟩=i∑​αi​∣i⟩

• |i⟩ : 가능한 계산 결과(기저 상태)
• αᵢ : 확률 진폭 (complex number)

👉 여기까진 아직 확률이 없습니다.

확률은 언제 생기는가? ― 측정과 보른 규칙

확률은 측정(measurement) 순간에만 등장합니다.
보른 규칙(Born Rule)

P(i)=∣αi∣2P(i) = |\alpha_i|^2P(i)=∣αi​∣2

즉,

• 확률 분포 = |ψ⟩의 구조를 측정으로 투영한 결과
• 계산 중에는 확률이 존재하지 않음

📌 이것이 양자 확률의 핵심 차이입니다

양자 확률 분포 vs 고전 확률 분포 (핵심 비교)

원인	정보 부족	물리 법칙
생성 시점	계산 전/중	측정 순간
내부 구조	없음	위상·간섭 포함
간섭 효과	❌ 없음	✅ 있음
알고리즘 활용	제한적	핵심 자원

➡️ 양자 분포는 단순히 “랜덤한 결과의 빈도표”가 아닙니다.

중요한 오해: “양자컴퓨터는 랜덤 머신인가?”

❌ 틀린 이해입니다.
양자 알고리즘의 목적은

특정한 확률 분포를 ‘의도적으로’ 만들기입니다.

• 정답이 될 상태 → 확률을 증폭
• 오답 상태 → 간섭으로 상쇄

이 과정을 확률 진폭 수준에서 제어합니다

예제 1: H 게이트 → 균등 분포

|0⟩에 H 게이트를 적용하면:

∣0⟩+∣1⟩2\frac{|0⟩ + |1⟩}{\sqrt{2}}2​∣0⟩+∣1⟩​

측정 결과:

• P(0) = 0.5
• P(1) = 0.5

➡️ 이때의 확률 분포는
알고리즘이 만들어낸 구조적인 결과입니다.
(앞선 글: 중첩 vs 확률과 직접 연결됨)

예제 2: 간섭이 만들고 깨는 확률 분포

두 경로가 있다고 가정해보면:

• 고전 확률:
  • 경로 A + 경로 B → 확률 단순 합
• 양자 상태:
  • 진폭 합 → 제곱 → 분포

결과:

• 어떤 상태는 확률 0
• 어떤 상태는 확률 1에 가까워짐

📌 이 **“확률의 재배치”**가 양자 계산의 본질입니다

왜 결과를 여러 번 실행(run)해야 하나?

양자컴퓨터의 출력은 한 번 실행하면 하나의 샘플입니다.
그래서 실제로는:

• 동일 회로를 수백~수천 번 실행
• 측정 결과의 **히스토그램(histogram)**을 구성
• 그 분포를 분석

➡️ 우리가 보는 “확률 분포”는
단일 실행의 불확정성 × 반복 수행 통계입니다. 

 

예를 들어

|ψ〉 = √3/2 |0〉 + 1/2 |1〉

이라면 계산 기저에서 측정했을 때

0의 확률 = 3/4 = 75%
1의 확률 = 1/4 = 25%

입니다.

여기서 한 단계 더 중요한 것이 위상입니다. 어떤 상대위상은 같은 기저에서 바로 측정하면 확률에 나타나지 않을 수 있지만, 이후 다른 양자게이트를 통과하면 간섭 결과를 변화시킬 수 있습니다.

알고리즘 관점에서 본 확률 분포의 의미

Grover	정답 상태 확률 증폭
Shor	주기 구조가 드러나는 분포
QAOA	비용 함수가 반영된 분포
QML	데이터 구조를 반영한 분포

✅ 양자 알고리즘의 출력 = 확률 분포 자체가 해답

자주 묻는 질문 (FAQ)

Q1. 확률 분포가 결과라면, 정답은 어디 있나요?

A. 정답은 ‘가장 높은 확률을 가진 상태’로 표현됩니다.

Q2. 측정 전에는 확률이 아예 없나요?

A. 네. 그때는 확률 진폭만 존재합니다.

Q3. 고전 확률과 섞어서 볼 수 있나요?

A. 측정 후 결과 분석 단계에서는 고전 통계를 사용합니다.

Q4. 확률 분포를 직접 설계할 수 있나요?

A. 네. 양자 회로 설계의 핵심 목표 중 하나입니다.

Q5. 노이즈가 있으면 분포가 망가지나요?

A. 그렇습니다. 그래서 실제 분포와 이상적 분포를 비교합니다.

 

양자컴퓨터란? 큐비트부터 오류정정까지 한 번에 이해하기

 

양자 이온트랩(Ion Trap)이란 : 아이온큐 ✅

 

양자오류정정(QEC)이 왜 핵심인가