양자 컴퓨팅, 포트폴리오 최적화에 한 걸음 더 다가가다

양자 컴퓨팅은 전통적인 이진 실리콘 기반 컴퓨팅으로는 해결할 수 없는 문제들을 해결할 수 있는 완전히 새로운 형태의 컴퓨팅으로 종종 설명됩니다.

지금까지 양자 컴퓨팅은 유망한 기술이었지만, 여전히 근본적인 엔지니어링 과제에 직면해 있습니다. 양자 컴퓨팅이 작동하기 위해 유지되어야 하는 매우 취약한 물질 상태 때문에 비용이 많이 들고 확장성이 낮습니다.

또한 결과가 ‘노이즈’가 섞여 있어 정기적인 오류, 지연 및 신뢰할 수 없는 결과를 초래합니다.

몇 가지 혁신은 소규모 양자 컴퓨터 네트워크 또는 토포컨덕터라 불리는 새로운 물질 상태를 이용한 새로운 하드웨어 설계 아키텍처, 확장성을 허용가 문제를 해결할 수 있음을 의미할 수 있습니다.

하지만 이것은 개념적인 문제일 수도 있습니다. 대부분의 양자 컴퓨팅 프로젝트는 전통적인 컴퓨팅 솔루션을 완전히 양자 기반으로 대체하려고 합니다. 그러나 실제로는 보다 좁은 문제 해결이 양자 컴퓨팅의 실용적인 사용 사례를 더 빨리 제공할 수 있습니다.

충청북도 국립대학교(대한민국)와 두이탄 대학교(베트남) 연구진이 수행한 최근 연구는 양자 컴퓨팅을 활용하는 세 가지 방법을 비교했습니다. 그 결과, 양자 어닐링이 금융 포트폴리오 최적화를 위해 ‘단기 운영 준비성이 크게 향상됨’을 보여준다는 것을 발견했습니다.

이는 대부분의 양자 컴퓨팅 연구에서 선호되는 반복적인 게이트 기반 방법이 대규모 큐비트 수를 필요로 하며, 적어도 단기적으로는 산업에 적합하지 않은 방향일 수 있음을 시사합니다.

그들은 ICT Express¹에 연구 결과를 발표했으며, 제목은 “FinTech에서 포트폴리오 최적화를 위한 양자 컴퓨팅 접근법에 대한 포괄적 조사”입니다.

포트폴리오 최적화를 위한 양자 컴퓨팅

해결하기에 너무 복잡한 문제들

포트폴리오 최적화는 현대 금융에서 핵심적이며 계산 집약적인 문제이며, FinTech 산업의 초석입니다. 현실적인 제약이 도입될 때

(고정된 수의 자산 선택, 거래 비용, 또는 ESG 점수와 같은 비재무 지표 포함)와 같이 제약이 추가되면, 자산 및 제약 조건이 늘어남에 따라 정확한 최적화가 실용적이지 않을 정도로 점점 더 어려운 조합 최적화 문제가 빠르게 발생합니다.

특히 사용 가능한 자산 수가 증가하면, 해결 공간이 기하급수적으로 확대됩니다.

따라서 실제로는 기관 펀드, 헤지 펀드 및 자동 로보 어드바이저가 관리하는 대규모 포트폴리오에 대해 직접 계산할 수 없으며, 수많은 경험적 규칙과 수동적인 의사결정이 수학적 모델 대신 사용됩니다.

양자 컴퓨팅을 수행하는 다양한 방법들

양자 컴퓨팅의 핵심은 큐비트이며, 이는 여러 상태의 중첩으로 존재할 수 있습니다. 양자 알고리즘은 상태의 중첩을 조작하여 간섭을 통해 유용한 해를 측정할 확률을 높입니다. 이는 모든 가능한 답을 동시에 계산하고 얻을 수 있다는 의미는 아닙니다.

특히 포트폴리오 최적화를 위해, 이 양자 특성을 활용하여 실제 세계에서 유용한 계산을 수행하는 세 가지 주요 방법이 등장했습니다:

첫 번째는 양자 어닐링 (QA)으로, 복잡한 최적화 문제를 해결하도록 특별히 설계된 전문 양자 컴퓨팅 패러다임입니다. 그 핵심 기능은 물리 시스템의 최소 에너지 구성, 즉 바닥 상태를 찾는 것입니다.

이러한 특수성 때문에 QA는 더 효율적이며 낮은 에너지 구성으로의 지름길을 제공합니다. QA를 실용적으로 적용하려면, 금융 문제를 호환 가능한 수학적 구조, 일반적으로 QUBO 모델에 매핑해야 합니다.

“게이트 기반 모델이 세밀한 펄스 제어를 필요로 할 수 있는 반면, QA는 전체 문제 정의(행렬)를 한 번 업로드하는 제출-검색 워크플로를 허용합니다.”

변분 양자 알고리즘 (VQAs)은 양자 프로세서와 고전 최적화기가 번갈아 가며 반복하는 하이브리드 양자‑고전 최적화 루프입니다.

따라서 전체 실행 시간은 큐비트 코히런스 시간만으로 결정되지 않고, 수천 번의 반복에 걸친 네트워크 지연에도 좌우됩니다. 이 지연 페널티는 고빈도 거래 애플리케이션에 있어 중요한 구조적 병목 현상을 나타냅니다.

또한 주목할 점은, 게이트 기반 VQA와 양자 어닐링을 결합한 시너지 접근법이 떠오르고 있다는 것입니다.

“이러한 프레임워크에서는 양자 어닐러가 고품질 초기 상태를 찾거나 어려운 최적화 지형을 사전 처리하는 데 사용될 수 있으며, 이는 이후 게이트 기반 머신에서 VQA 최적화 루프를 위한 강력한 시작점을 제공합니다.”

양자 머신 러닝 (QML)은 데이터 표현에 중점을 둔 독특한 아키텍처 패러다임을 가진 방법입니다. 이는 계산 병목을 바닥 상태 찾기에서 훈련 단계로 전환시키며, 고차원 금융 데이터를 특징 맵을 통해 양자 상태로 인코딩해야 합니다.

이는 금융 데이터에서 복잡하고 비선형적인 관계를 밝혀내는 것이 큰 이점이 되는 상황에 활용될 수 있습니다. 이는 위험 분석 및 시나리오 생성(하위 방법인 Quantum Circuit Born Machine – QCBM)뿐만 아니라, 위험 프로파일에 기반한 자산 분류 또는 시장 움직임 예측(하위 방법인 Quantum Support Vector Machine – QSVM)에도 강력한 도구가 됩니다.

출처: ICT Express

최적의 양자 도구 찾기

양자 컴퓨팅 최적화

총 423개 중에서 연구자는 30개의 서로 다른 연구를 선택하여 분석하고 다양한 양자 계산 방법을 비교했습니다.

첫 번째 발견은 금융 규칙을 양자 하드웨어에 효율적으로 매핑하는 것이 핵심 제약 중 하나이며, 연구가 비효율적인 패널티 기반 모델에서 아키텍처 강제 방식으로 전환하고 있어 제한된 큐비트의 효과적인 사용을 극대화한다는 점입니다. 이는 일반적으로 운영 경계를 하드웨어‑소프트웨어 스택에 직접 삽입하거나 회로 안사츠를 통해 수행됩니다.

NISQ 디바이스의 확장성 한계를 해결하기 위해, 최근 연구는 최적화 파이프라인의 다양한 단계에 서로 다른 유형의 양자 프로세서를 활용하는 이종 분산 아키텍처를 제안합니다.

이는 다양한 형태를 취할 수 있으며, 예를 들어 어닐러-게이트 하이브리드 모델이나 어닐러와 게이트 기반 QPU 간 작업 부하를 관리하기 위한 오케스트레이션 및 동기화 프로토콜이 있습니다.

성능 측정

포트폴리오 최적화를 위한 다양한 양자 컴퓨팅 솔루션을 순위 매기기 위해, 연구자들은 문헌에 인용된 벤치마크와 최신 고전 솔버를 모두 사용했습니다.

그 결과 전반적으로 최초의 상업적으로 유용한 금융 애플리케이션은 양자 어닐링에서 등장할 수 있음을 발견했습니다.

이는 양자 어닐링이 네이티브 부등식 제약과 일회성 클라우드 제출 모델을 지원하여 통신 지연을 최소화하기 때문입니다.

반면, 다른 방법들은 네트워크 오버헤드가 양자 실행 시간을 능가하거나 상태 준비의 높은 지연에 제약을 받는 경우가 많습니다.

양자‑고전 하이브리드 계산

또한 나타나는 점은 양자 컴퓨팅과 고전 컴퓨팅을 혼합한 하이브리드 접근법이 다양한 이유로 최적이라는 것입니다:

• 네트워크 지연 완화, 연구자들은 QPU와 공동 위치한 고전 최적화기 또는 일회성 제출 모델을 제안합니다.
• 자원 효율적인 제약 처리: 최적 솔루션을 가릴 수 있는 패널티 가중치를 세밀하게 조정하는 대신, 네이티브 제약 처리는 더 높은 솔루션 정확도로 기관 규모 포트폴리오 최적화를 가능하게 합니다.
• 작업‑하드웨어 매핑: 하나의 하드웨어 유형으로 모든 것을 해결하려 하기보다, 어닐러는 계산 집약적인 전역 분해를 수행하고 게이트 기반 프로세서는 세밀한 로컬 집계를 담당합니다.

따라서 양자 컴퓨팅 솔루션을 개발하는 이상적인 과정은 먼저 주어진 문제에 적합한 방법을 식별한 뒤, 이러한 양자 컴퓨팅 도구와 고전 컴퓨팅 도구를 결합한 하이브리드 솔루션 모델을 개발하는 것일 수 있습니다.

따라서 아키텍처, 지연 및 제약 처리 등이 사용된 양자 하드웨어의 성능만큼, 혹은 그보다 더 중요할 수 있습니다.

출처: ICT Express

양자 컴퓨팅의 주요 장애물이 하드웨어 제한과 노이즈(제한된 큐비트 수가 문제 규모를 제한하고, 노이즈가 솔루션 품질을 저하시킴)인 한, 이는 계속 사실일 가능성이 높습니다.

이는 실무 경험과도 일치하는데, 현재 거의 모든 대규모 QUBO 또는 CQM 응용 프로그램은 하이브리드 양자‑고전 시스템에서 실행됩니다.

따라서 연구자는 현재 양자 컴퓨팅 하드웨어로 산업 관련 문제를 해결하기 위해 이 시너지 접근법이 필수적이라고 결론짓습니다.

양자 컴퓨팅이 정말 필요한가?

이 연구에서 마지막으로 흥미로운 데이터 포인트는 양자 컴퓨팅을 다른 혁신적인 컴퓨팅 방법과 비교한 것입니다.

예를 들어, 일반적인 계산 도구를 급격히 능가할 수 있는 대규모 병렬 GPU 가속 아키텍처를 살펴봅니다. 이 방법은 클라우드 기반 양자 시스템의 네트워크 지연 병목을 우회할 수도 있습니다.

“GPU 기반 1차 솔버는 단일 기간에서는 최대 12.9배, 다기간 설정에서는 48배까지 실행 시간 속도를 높일 수 있으며, 이는 MOSEK 11.0과 같은 고성능 고전 정확 솔버보다 뛰어납니다.”

GPU는 양자 컴퓨터에서 일반적으로 얻는 결과를 시뮬레이션하는 데에도 사용할 수 있습니다. 특히 GPU 가속 병렬 시뮬레이션 어닐링(PSA)과 입자 군집 최적화(PSO)는 수천 개의 코어를 활용해 거의 실시간에 가까운 수렴을 달성합니다. 예를 들어, 최적화된 GPU-PSO 커널은 CPU 기준 대비 150배 속도 향상을 보였습니다.

AI 계산을 위해 대규모 병렬 연산이 가능한 GPU 및 유사 하드웨어가 개발됨에 따라, 이는 초기 양자 컴퓨팅 산업에 심각한 경쟁을 제기할 수 있습니다.

“따라서 양자 우위는 고빈도 FinTech에서 현재 생산 준비 수준을 정의하는 이러한 서브초, 하드웨어 최적화 고전 파이프라인과 비교하여 측정되어야 합니다.”

그럼에도 GPU는 QPU보다 더 성숙한 기술이므로, 장기적으로는 가장 해결하기 어려운 문제들이 양자 컴퓨팅의 혜택을 받을 가능성이 높으며, 특히 에너지 소비와 같은 다른 제약이 대규모 GPU 클러스터 배치를 지연시킬 때 더욱 그렇습니다.

투자자에게 이 비교는 분야를 크게 좁혀줍니다. 연구는 모든 양자 아키텍처가 금융에서 상업적 가치를 창출하는 데 동등하게 가까운 것은 아니라고 제시합니다. 대신 양자 어닐링이 제약 최적화에 특히 적합하다고 식별하면서, 어떤 실현 가능한 시스템도 점점 강력해지는 GPU 기반 대안과 경쟁해야 함을 강조합니다. 이는 D-Wave가 특히 관련성이 높다는 것을 의미합니다: 연구자들이 가장 운영 준비가 된 아키텍처 중 하나로 간주하는 것에 대한 공개 거래 노출을 제공하며, 이미 금융 및 기타 최적화 집약 산업에서 상업적 응용을 추구하고 있습니다.

양자 어닐링에 투자하기

D-Wave Quantum Inc.

D-Wave는 미래에 가장 많은 초전도 큐비트를 구축하는 대신, 오늘날 실제 사용 사례에 가장 활용 가능한 큐비트에 집중하는 양자 컴퓨팅 회사입니다.

이미 D-Wave 고객의 절반은 상업 기업이며, 매출의 65%가 상업 고객에서 발생하고, 그 중 45%는 Forbes Global 2000 고객으로부터 발생합니다.

출처: D-Wave

예를 들어, D-Wave 도구는 AT&T에서 네트워크 최적화 작업의 처리 시간을 약 1시간에서 15초 미만으로 줄이는 데 이미 사용되고 있습니다.

“향후 계획된 작업은 정전 감지 및 대응, 기술자 라우팅, 네트워크 구축 계획 및 트래픽 관리와 같은 보다 광범위한 애플리케이션을 탐구할 것입니다.”

D-Wave는 또한 S&P 100 및 S&P 500 자산을 포함한 포트폴리오 최적화를 포함한 양자 어닐링의 직접적인 금융 응용을 시연했습니다. 예를 들어, 스페인의 주요 은행인 CaixaBank와의 협업에서 D-Wave를 사용해 이 연구에서 논의된 바로 그 유형의 금융 애플리케이션을 구현했습니다. 은행에서 일반적으로 몇 시간 걸리던 계산 시간이 양자 컴퓨팅 기술을 통해 몇 분으로 단축되었습니다.

“양자 하이브리드 애플리케이션은 복잡한 금융 문제를 해결하는 계산 시간을 크게 단축시켰으며, 투자 포트폴리오 최적화, 채권 포트폴리오 내부 수익률(IRR) 증가, 헤징 운영에 필요한 자본 최소화 등을 개선했습니다. 이는 협업의 결과입니다.”

양자 어닐링에 집중함으로써, 회사는 트랩 이온 기술(‘효율적이지만 느림’)과 초전도 큐비트(‘빠르지만 복잡하고 신뢰성이 낮음’) 사이의 중간 경로를 취하고 있다고 보고 있습니다. 회사는 하드웨어를 빠르게 확장하고 있으며, 2029년까지 시스템의 큐비트 수를 4배, 2031년까지 20배 늘리기를 목표로 하고 있습니다.

출처: D-Wave

2011년에 시작한 어닐링 외에도, D-Wave는 2020년부터 게이트 모델 양자 컴퓨팅으로도 확장하고 있습니다. 전반적으로 두 기술은 서로 보완하며, 각각 특정 애플리케이션에 특화됩니다.

출처: D-Wave

“어닐링 양자 컴퓨팅은 최적화, 물질 시뮬레이션 및 특정 AI 작업에 뛰어나지만, 게이트 모델 양자 컴퓨팅은 양자 화학, 분자 설계 및 차세대 에너지 저장과 같은 애플리케이션을 발전시킬 것으로 기대됩니다.”

하지만 D-Wave 투자자는 양자 컴퓨팅이 신흥이며 매우 경쟁이 치열한 분야임을 인식해야 합니다. 사실상 모든 양자 기업은 자신이 올바른 기술 경로를 선택했다고 여기며, 이는 더 견고한(이온 트랩), 더 시장 준비가 된(어닐링), 혹은 확장 가능성이 높은(초전도) 이유 때문입니다.

그럼에도 양자 컴퓨팅을 점점 더 큰 규모로 배치하여 바이오테크, 통신, 은행 분야의 실제 문제를 해결하고 있다는 점은 인상적인 성과이며, D-Wave는 종종 다른 양자 컴퓨팅 기술을 사용하는 기업에 초점이 맞춰지는 가운데 이 분야의 놀라운 승자일 수 있습니다.

최신 D-Wave Quantum Inc (QBTS) 주식 뉴스 및 개발

참조 연구

^{1. Kimchhor Chiv, Anand Nayyar, and Tae-Kyung Kim. FinTech에서 포트폴리오 최적화를 위한 양자 컴퓨팅 접근법에 대한 포괄적 조사. ICT Express. 5 2026년 8월.}