양자컴퓨팅에서 선형대수는 단순한 계산 도구가 아닙니다. 큐비트는 벡터로, 양자 게이트는 행렬로 표현되고 여러 큐비트는 텐서곱으로 연결되기 때문에 양자회로의 거의 모든 구조가 선형대수와 맞닿아 있는데요. 이 글에서 원리에 대해 살펴보시죠.
양자컴퓨팅에서 선형대수학이 중요한 이유
양자컴퓨팅을 공부하다 보면 생각보다 빠른 시점에 벡터와 행렬을 만나게 됩니다. 큐비트의 상태를 열벡터로 표현하고, 양자 게이트를 행렬로 나타내며, 여러 큐비트를 결합할 때는 텐서곱까지 사용합니다.
이 때문에 양자컴퓨팅에서 선형대수학은 선택적인 보조과목이라기보다 양자상태와 양자연산을 표현하는 기본 언어에 가깝습니다. 중첩, 측정, 얽힘과 간섭 같은 양자역학의 핵심 개념도 선형대수의 벡터·기저·내적·행렬을 이용하면 하나의 일관된 구조 안에서 설명할 수 있습니다.
다행히 입문 단계에서 선형대수학 전체를 깊게 공부할 필요는 없습니다. 벡터와 행렬, 내적, 정규화, 기저, 고유값과 고유벡터, 텐서곱 정도를 순서대로 익히면 기본적인 양자회로를 이해하는 데 필요한 기반을 만들 수 있습니다.
| 선형대수 개념 | 양자컴퓨팅에서의 역할 |
|---|---|
| 벡터 | 양자상태를 표현 |
| 행렬 | 양자 게이트와 연산을 표현 |
| 내적 | 상태 사이의 관계와 측정확률 계산 |
| 기저 | 양자상태를 표현하는 기준 |
| 노름 | 양자상태의 정규화 확인 |
| 텐서곱 | 여러 큐비트를 하나의 시스템으로 결합 |
| 고유값·고유벡터 | 측정과 연산자의 특성 이해 |
결국 양자컴퓨팅에서 선형대수학을 배우는 목적은 수학문제를 잘 풀기 위해서라기보다 양자상태가 어떻게 표현되고 양자 게이트를 거치면서 어떻게 변하는지를 이해하기 위해서입니다.
큐비트는 왜 벡터로 표현할까
한 개의 고전적인 비트는 0 또는 1 가운데 하나의 값을 가집니다. 하지만 큐비트는 |0⟩과 |1⟩의 중첩 상태를 가질 수 있습니다.
한 큐비트의 일반적인 순수 상태는 다음과 같이 표현할 수 있습니다.
|ψ⟩ = α|0⟩ + β|1⟩
여기에서 α와 β는 각각 |0⟩과 |1⟩ 상태에 붙는 복소수 확률진폭입니다.
|0⟩과 |1⟩을 벡터로 쓰면 다음과 같습니다.
[1] [0]
|0⟩ = [ ] |1⟩ = [ ]
[0] [1]
따라서 일반적인 큐비트 상태는 다음과 같은 열벡터가 됩니다.
[α]
|ψ⟩ = [ ]
[β]
이렇게 표현하면 양자상태를 수학적으로 계산할 수 있습니다. α와 β의 값을 변화시키면 |0⟩과 |1⟩ 사이에 존재하는 다양한 중첩 상태를 표현할 수 있습니다.
벡터의 선형결합이 바로 중첩과 연결된다
선형대수에서 여러 벡터에 숫자를 곱한 뒤 더하는 것을 선형결합이라고 합니다. 양자컴퓨팅에서 중첩 상태 역시 같은 구조를 갖습니다.
|ψ⟩ = α|0⟩ + β|1⟩
|0⟩과 |1⟩이라는 두 기저벡터를 α와 β라는 계수를 이용해 선형결합한 것입니다.
대표적인 중첩 상태인 |+⟩는 다음과 같습니다.
|+⟩ = 1/√2 |0⟩ + 1/√2 |1⟩
벡터로 표현하면 다음과 같습니다.
[1/√2]
|+⟩ = [ ]
[1/√2]
즉 양자 중첩은 완전히 새로운 수학적 연산이라기보다 벡터의 선형결합이라는 선형대수의 기본 개념 위에서 표현됩니다.
양자상태가 정규화되어야 하는 이유
양자상태를 나타내는 벡터는 아무 값이나 사용할 수 있는 것은 아닙니다. 정상적인 상태벡터는 노름이 1이 되도록 정규화되어야 합니다.
|α|² + |β|² = 1
그 이유는 |α|²와 |β|²가 계산 기저에서 각각 0과 1을 측정할 확률과 연결되기 때문입니다.
P(0) = |α|² P(1) = |β|² P(0) + P(1) = 1
선형대수에서는 벡터의 길이를 노름이라고 합니다. 양자컴퓨팅에서는 이 노름 조건이 곧 전체 측정확률이 100%가 되어야 한다는 물리적인 조건과 연결됩니다.
양자 게이트는 왜 행렬로 표현할까
양자컴퓨터의 게이트는 큐비트 상태를 다른 상태로 변화시키는 연산입니다. 선형대수에서는 벡터를 다른 벡터로 변환하는 선형변환을 행렬로 나타낼 수 있습니다.
따라서 양자상태를 벡터로 표현한다면 양자 게이트는 자연스럽게 행렬로 표현할 수 있습니다.
예를 들어 Pauli-X 게이트는 다음과 같습니다.
[0 1]
X = [ ]
[1 0]
이 행렬을 |0⟩ 벡터에 곱하면 다음과 같습니다.
[0 1] [1] [0] [1 0] [0] = [1] 따라서 X|0⟩ = |1⟩
즉 양자회로에서 게이트가 큐비트를 변화시키는 과정은 선형대수의 관점에서 보면 행렬과 벡터의 곱입니다.
Hadamard 게이트도 행렬 곱으로 이해할 수 있다
양자컴퓨팅에서 가장 자주 사용하는 게이트 가운데 하나가 Hadamard 게이트입니다.
1 [ 1 1 ]
H = ----- [ ]
√2 [ 1 -1 ]
|0⟩에 적용하면 다음과 같습니다.
1 [ 1 1 ] [1]
H|0⟩ = -- [ ] [ ]
√2 [ 1 -1 ] [0]
1 [1]
= -- [ ]
√2 [1]
= 1/√2(|0⟩ + |1⟩)
우리가 양자회로 그림에서 단순히 H라는 상자 하나로 보는 연산도 실제 수학에서는 하나의 행렬이 상태벡터에 작용하는 과정입니다.
양자 게이트가 유니터리 행렬이어야 하는 이유
닫힌 양자시스템에서 사용하는 일반적인 양자 게이트는 유니터리 행렬로 표현됩니다.
유니터리 행렬 U는 다음 관계를 만족합니다.
U†U = I
여기에서 U†는 켤레전치 행렬이고 I는 항등행렬입니다.
유니터리 변환의 중요한 특징은 벡터의 노름을 보존한다는 점입니다. 따라서 정규화된 양자상태에 게이트를 적용하더라도 연산 후 상태의 전체 확률은 계속 1로 유지됩니다.
또한 유니터리 연산은 역연산이 존재합니다. 이것은 측정을 제외한 이상적인 양자회로 연산이 기본적으로 가역적이라는 특징과도 연결됩니다.
내적은 양자상태 사이의 관계를 계산한다
선형대수에서 내적은 두 벡터 사이의 관계를 계산하는 중요한 연산입니다. 양자컴퓨팅에서는 브라켓 표기법을 이용해 다음과 같이 나타냅니다.
⟨φ|ψ⟩
대표적인 계산 기저 상태는 다음 관계를 만족합니다.
⟨0|0⟩ = 1 ⟨1|1⟩ = 1 ⟨0|1⟩ = 0 ⟨1|0⟩ = 0
|0⟩과 |1⟩의 내적이 0이라는 것은 두 상태가 서로 직교한다는 의미입니다.
이러한 정규직교 기저를 이용하면 양자상태를 안정적으로 분해하고 각 기저 상태에 대응하는 확률진폭을 구할 수 있습니다.
내적은 측정확률과도 연결된다
양자컴퓨팅에서 내적이 중요한 또 하나의 이유는 측정확률을 계산하는 데 사용할 수 있기 때문입니다.
상태 |ψ⟩를 |φ⟩라는 상태에서 측정할 확률은 다음과 연결됩니다.
P(φ) = |⟨φ|ψ⟩|²
예를 들어 |+⟩ 상태에서 0을 측정할 확률을 계산해 보겠습니다.
|+⟩ = 1/√2(|0⟩ + |1⟩) ⟨0|+⟩ = 1/√2 P(0) = |1/√2|² = 1/2
따라서 양자 측정 역시 선형대수의 내적과 투영 개념을 이용하면 수학적으로 표현할 수 있습니다.
기저는 양자상태를 바라보는 기준이다
벡터를 표현하려면 어떤 좌표축을 사용할지 결정해야 합니다. 선형대수에서는 이러한 기준이 되는 벡터들의 집합을 기저라고 합니다.
양자컴퓨팅에서 가장 익숙한 기저는 계산 기저입니다.
{ |0⟩ , |1⟩ }
하지만 반드시 이 기저만 사용할 필요는 없습니다. 다음과 같은 X기저도 사용할 수 있습니다.
{ |+⟩ , |−⟩ }
같은 양자상태라도 어떤 기저에서 표현하거나 측정하느냐에 따라 벡터의 성분과 측정확률이 달라질 수 있습니다.
이 때문에 양자컴퓨팅에서 기저변환을 이해하는 것은 매우 중요합니다. Hadamard 게이트 역시 계산 기저와 X기저 사이의 관계를 이해하는 데 자주 등장합니다.
여러 큐비트에서는 텐서곱이 필요하다
단일 큐비트의 상태공간은 2차원이지만 두 큐비트를 함께 표현하려면 두 개의 상태공간을 하나로 결합해야 합니다.
이때 사용하는 선형대수 연산이 텐서곱입니다.
|0⟩ ⊗ |1⟩ = |01⟩
벡터로 직접 계산하면 다음과 같습니다.
[1] [0] [0]
[ ] ⊗ [ ] = [1]
[0] [1] [0]
[0]
그래서 두 큐비트의 상태공간은 2×2=4차원이 되고 계산 기저는 다음 네 개가 됩니다.
|00⟩ |01⟩ |10⟩ |11⟩
큐비트가 늘면 상태공간은 왜 2ⁿ차원이 될까
각 큐비트의 상태공간이 2차원이므로 n개의 큐비트를 텐서곱으로 결합하면 전체 상태공간의 차원은 2ⁿ이 됩니다.
| 큐비트 수 | 상태공간 차원 | 계산 기저 상태 수 |
|---|---|---|
| 1 | 2 | 2 |
| 2 | 4 | 4 |
| 3 | 8 | 8 |
| 10 | 1,024 | 1,024 |
| 20 | 1,048,576 | 1,048,576 |
| n | 2ⁿ | 2ⁿ |
이 구조 때문에 여러 큐비트를 고전 컴퓨터에서 상태벡터 방식으로 그대로 시뮬레이션하려면 매우 많은 복소수 진폭을 저장해야 합니다.
다만 상태공간이 2ⁿ차원이라는 사실만으로 양자컴퓨터가 자동으로 2ⁿ배 빠르다는 의미는 아닙니다. 실제 알고리즘에서는 상태들의 확률진폭과 위상을 적절하게 조작하고 간섭시켜 유용한 정보를 측정 가능한 형태로 만들어야 합니다.
얽힘도 텐서곱과 선형대수로 설명할 수 있다
여러 큐비트를 텐서곱으로 결합하면 각 큐비트의 독립적인 상태뿐 아니라 서로 분리할 수 없는 상태도 표현할 수 있습니다.
대표적인 예가 Bell 상태입니다.
|Φ+⟩ = 1/√2 (|00⟩ + |11⟩)
이 상태는 일반적으로 다음과 같이 두 개의 독립적인 한 큐비트 상태의 텐서곱으로 분리할 수 없습니다.
|ψ⟩ ⊗ |φ⟩
이러한 복합 상태를 얽힌 상태라고 합니다.
즉 양자 얽힘을 단순히 두 입자가 서로 신기하게 연결되어 있다고 이해하는 것보다 복합 힐베르트 공간의 상태가 개별 상태의 단순한 텐서곱으로 분해되지 않는다는 선형대수적 구조로 이해할 수도 있습니다.
고유값과 고유벡터는 왜 등장할까
선형대수학을 배우다 보면 고유값과 고유벡터를 만나게 됩니다. 처음에는 양자컴퓨팅과 관계가 없어 보일 수 있지만 실제 양자역학에서는 매우 중요한 개념입니다.
행렬 A가 어떤 벡터 |ψ⟩에 작용했을 때 방향이 변하지 않고 크기만 λ배 변한다면 다음 관계를 만족합니다.
A|ψ⟩ = λ|ψ⟩
|ψ⟩를 A의 고유벡터, λ를 해당 고유값이라고 합니다.
양자역학에서는 관측 가능한 물리량을 에르미트 연산자로 표현하며 측정 가능한 값은 해당 연산자의 고유값과 연결됩니다.
따라서 양자 측정과 해밀토니안, 양자 위상 추정과 같은 내용을 깊게 공부하기 시작하면 고유값과 고유벡터를 계속 만나게 됩니다.
에르미트 행렬은 측정과 어떤 관계가 있을까
복소수 행렬 A가 자신의 켤레전치와 같다면 에르미트 행렬이라고 합니다.
A† = A
에르미트 행렬의 중요한 특징은 고유값이 실수라는 점입니다.
양자역학에서 실제 측정결과는 실수여야 하기 때문에 관측 가능한 물리량을 표현하는 연산자와 에르미트 행렬의 특성이 자연스럽게 연결됩니다.
Pauli X, Y, Z 행렬 역시 모두 에르미트 행렬이며 동시에 유니터리 행렬입니다.
행렬 곱의 순서가 중요한 이유
일반적인 숫자의 곱에서는 2×3과 3×2가 같습니다. 하지만 행렬 곱에서는 일반적으로 순서를 바꿀 수 없습니다.
AB ≠ BA
양자회로에서도 게이트의 순서를 바꾸면 결과가 달라질 수 있습니다.
예를 들어 상태 |ψ⟩에 먼저 A를 적용한 뒤 B를 적용하면 최종 상태는 다음과 같습니다.
B A |ψ⟩
반대로 B를 먼저 적용한 뒤 A를 적용하면 다음과 같습니다.
A B |ψ⟩
두 결과는 일반적으로 같지 않습니다. 따라서 양자회로에서 게이트 배치 순서가 중요한 이유 역시 행렬 곱의 성질과 직접 연결됩니다.
선형대수는 양자 간섭을 이해하는 데도 필요하다
양자컴퓨팅에서 간섭은 여러 계산경로의 확률진폭이 서로 더해지거나 상쇄되는 현상입니다.
이때 더해지는 것은 측정확률 자체가 아니라 복소수 확률진폭입니다.
경로 A 진폭 = a 경로 B 진폭 = b 전체 진폭 = a + b 측정확률 = |a + b|²
a와 b의 위상이 같으면 보강 간섭이 일어날 수 있고 반대라면 서로 상쇄될 수 있습니다.
복소수 벡터의 덧셈과 선형변환을 이해하면 양자 알고리즘에서 어떻게 원하는 결과의 진폭을 높이고 다른 결과의 진폭을 줄이는지 훨씬 쉽게 이해할 수 있습니다.
밀도행렬도 결국 선형대수학이다
이상적인 양자회로에서는 상태벡터만으로 많은 내용을 설명할 수 있지만 실제 양자컴퓨터의 노이즈와 혼합 상태를 다루기 시작하면 밀도행렬이 등장합니다.
순수 상태 |ψ⟩의 밀도행렬은 다음과 같이 표현할 수 있습니다.
ρ = |ψ⟩⟨ψ|
여러 상태가 확률적으로 혼합된 경우에는 다음과 같은 형태로 확장됩니다.
ρ = Σ pᵢ |ψᵢ⟩⟨ψᵢ|
밀도행렬을 공부하면 행렬의 trace, 고유값, 양의 준정부호와 부분 추적 같은 선형대수 개념을 다시 사용하게 됩니다.
따라서 실제 양자컴퓨터의 노이즈와 디코히런스, 얽힌 시스템의 일부를 분석하는 단계로 넘어갈수록 선형대수의 중요성은 오히려 더 커집니다.
양자 알고리즘에서도 선형대수가 반복해서 등장한다
양자컴퓨팅의 주요 알고리즘을 공부하면 단순한 벡터·행렬 계산을 넘어 다양한 형태의 선형대수 문제를 만나게 됩니다.
| 알고리즘·분야 | 연결되는 선형대수 개념 |
|---|---|
| Grover 검색 | 벡터·반사·부분공간과 진폭 증폭 |
| 양자 위상 추정 | 고유값·고유벡터와 유니터리 연산 |
| 양자 푸리에 변환 | 기저변환과 복소수 선형변환 |
| 변분 양자 알고리즘 | 기대값·행렬·해밀토니안 |
| 양자 화학 | 해밀토니안의 고유값 문제 |
| 양자 머신러닝 | 고차원 상태공간과 데이터 인코딩 |
IBM의 Sample-based Quantum Diagonalization처럼 양자 샘플링과 고전적인 선형대수를 결합해 해밀토니안 행렬을 대각화하는 방식도 연구되고 있습니다.
즉 선형대수는 입문용 수학에 그치는 것이 아니라 고급 양자 알고리즘과 실제 응용에서도 계속 사용됩니다.
양자 프로그래밍을 할 때도 선형대수를 알아야 할까
Qiskit, Q#, Cirq와 같은 양자 소프트웨어에서는 사용자가 매번 행렬을 직접 계산하지 않아도 됩니다. H, X, CNOT과 같은 게이트를 코드로 호출하면 라이브러리가 내부 계산을 처리합니다.
그래서 간단한 양자회로를 만드는 것 자체는 선형대수를 깊게 모르더라도 가능할 수 있습니다.
하지만 회로의 결과가 왜 그렇게 나오는지 이해하고 새로운 알고리즘을 공부하거나 디버깅하려면 결국 상태벡터와 행렬의 관계를 이해해야 합니다.
- 게이트를 적용했을 때 상태가 왜 달라지는지 이해할 수 있다.
- 큐비트 순서와 텐서곱 구조를 이해할 수 있다.
- 측정기저를 바꾸는 이유를 알 수 있다.
- 예상과 다른 측정결과가 나왔을 때 회로를 분석할 수 있다.
- 양자 알고리즘 논문의 수식을 읽기가 쉬워진다.
- 상태벡터와 시뮬레이터 결과를 직접 해석할 수 있다.
따라서 선형대수학은 양자 코드를 입력하기 위한 필수 문법이라기보다 양자 프로그램이 왜 그렇게 동작하는지를 이해하기 위한 기본 지식이라고 보는 편이 적절합니다.
선형대수학을 어느 수준까지 공부해야 할까
양자컴퓨팅을 시작하기 전에 대학 수준의 선형대수학 교재를 처음부터 끝까지 모두 공부해야 하는 것은 아닙니다.
입문 단계에서는 다음 순서로 공부하면 효율적입니다.
| 단계 | 먼저 공부할 내용 | 양자컴퓨팅 연결 |
|---|---|---|
| 1단계 | 벡터와 복소수 | 큐비트 상태 |
| 2단계 | 행렬과 행렬곱 | 양자 게이트 |
| 3단계 | 내적·노름 | 정규화와 측정확률 |
| 4단계 | 기저와 직교 | 계산 기저·측정 기저 |
| 5단계 | 켤레전치·유니터리 행렬 | 양자 게이트의 성질 |
| 6단계 | 텐서곱 | 다중 큐비트 |
| 7단계 | 고유값·고유벡터 | 측정·해밀토니안·위상 추정 |
| 8단계 | 에르미트 행렬·대각화 | 고급 양자역학과 알고리즘 |
이 순서의 장점은 수학을 먼저 모두 끝낸 뒤 양자컴퓨팅을 시작하지 않아도 된다는 점입니다. |0⟩와 |1⟩을 배우면서 벡터를 공부하고, Hadamard를 배우면서 행렬곱을 공부하는 식으로 필요한 수학을 바로 연결할 수 있습니다.
수학을 먼저 공부할까, 양자컴퓨팅과 함께 공부할까
입문자에게는 선형대수를 완벽하게 끝낸 뒤 양자컴퓨팅으로 넘어가는 방식보다 두 분야를 함께 공부하는 방법이 효율적인 경우가 많습니다.
예를 들어 벡터를 배운 뒤 바로 |0⟩과 |1⟩ 상태를 표현해 보고, 행렬곱을 배운 뒤 X와 Hadamard 게이트를 직접 계산해 보는 방식입니다.
벡터 ↓ 큐비트 상태 행렬 ↓ 양자 게이트 내적 ↓ 측정확률 텐서곱 ↓ 다중 큐비트 고유값 ↓ 측정·해밀토니안
수학 개념을 바로 양자회로에 적용하면 왜 그 개념을 배우는지 알 수 있기 때문에 추상적인 선형대수를 공부할 때 느끼는 부담도 줄일 수 있습니다.
초보자가 자주 헷갈리는 선형대수 개념
| 헷갈리기 쉬운 생각 | 실제 의미 |
|---|---|
| 큐비트는 0과 1 사이의 숫자다 | 2차원 복소 벡터 공간의 상태벡터로 표현된다 |
| 양자 게이트는 일반적인 논리게이트와 같다 | 상태벡터에 작용하는 선형변환으로 볼 수 있다 |
| 행렬 곱의 순서는 상관없다 | 일반적으로 AB와 BA는 다르다 |
| 두 큐비트는 벡터 두 개를 옆에 쓰면 된다 | 결합된 상태공간은 텐서곱으로 구성한다 |
| 측정확률은 벡터 성분 자체다 | 확률진폭의 절댓값 제곱으로 얻는다 |
| 2ⁿ차원 공간이면 2ⁿ개 답을 한번에 읽을 수 있다 | 측정에서는 전체 진폭 정보를 직접 읽을 수 없다 |
선형대수 이해 점검 체크리스트
- |0⟩와 |1⟩을 열벡터로 표현할 수 있는가
- α|0⟩ + β|1⟩가 벡터의 선형결합이라는 점을 이해했는가
- 양자 게이트를 행렬로 표현할 수 있다는 점을 알고 있는가
- 행렬과 상태벡터를 곱해 간단한 게이트 결과를 계산할 수 있는가
- 노름 1 조건과 전체 측정확률의 관계를 이해했는가
- 내적과 측정확률의 관계를 설명할 수 있는가
- 계산 기저와 다른 측정 기저를 구분할 수 있는가
- 두 큐비트가 텐서곱으로 결합된다는 점을 알고 있는가
- n큐비트의 상태공간이 2ⁿ차원이 되는 이유를 설명할 수 있는가
- 고유값과 고유벡터가 양자 측정과 연결된다는 점을 알고 있는가
핵심 용어와 마무리 정리
| 용어 | 의미 |
|---|---|
| 벡터 | 양자상태를 나타내는 수학적 객체 |
| 행렬 | 벡터를 다른 벡터로 변환하는 선형연산 표현 |
| 내적 | 두 상태 사이의 관계와 측정확률 계산에 사용되는 연산 |
| 노름 | 벡터의 크기를 나타내며 양자상태 정규화와 연결 |
| 기저 | 상태공간을 표현하기 위한 기준 벡터들의 집합 |
| 유니터리 행렬 | 노름을 보존하는 양자 게이트의 기본 행렬 구조 |
| 텐서곱 | 여러 양자시스템의 상태공간을 결합하는 연산 |
| 고유벡터 | 연산 후 방향이 변하지 않는 특별한 벡터 |
| 고유값 | 고유벡터에 연산자를 적용했을 때 나타나는 배율 |
| 에르미트 행렬 | 자신의 켤레전치와 같으며 양자 관측량 표현에 사용되는 행렬 |
양자컴퓨팅에서 선형대수학이 중요한 가장 큰 이유는 양자컴퓨터의 상태와 연산 자체가 선형대수의 언어로 표현되기 때문입니다. 큐비트는 복소수 벡터이고 양자 게이트는 그 벡터에 작용하는 행렬입니다.
중첩은 기저벡터의 선형결합으로 이해할 수 있고 측정확률은 내적과 투영을 이용해 계산할 수 있습니다. 여러 큐비트가 결합되면 텐서곱이 등장하고, 양자 측정과 해밀토니안을 깊게 공부하면 고유값과 고유벡터도 필요해집니다.
따라서 선형대수는 양자컴퓨팅에 수학을 억지로 적용한 것이 아니라 양자상태가 가진 구조를 가장 자연스럽게 표현하는 방법이라고 볼 수 있습니다.
처음부터 모든 선형대수 이론을 공부할 필요는 없습니다. 벡터와 행렬부터 시작해 내적, 기저, 유니터리 행렬과 텐서곱을 하나씩 양자회로와 연결하면 됩니다. 이후 양자 알고리즘을 공부하면서 필요한 고유값·고유벡터와 대각화 개념을 확장하는 편이 훨씬 현실적인 학습방법입니다.
참고문헌
양자컴퓨팅에서 사용되는 벡터·행렬·상태벡터·다중 큐비트와 측정의 선형대수 구조를 더 깊게 공부하려면 아래 공식 교육자료를 참고할 수 있습니다.
- Microsoft Learn, Vectors and Matrices in Quantum Computing
- Microsoft Learn, The Qubit in Quantum Computing
- Microsoft Learn, Dirac Notation in Quantum Computing
- Microsoft Learn, Multiple-qubit Operations
- IBM Quantum Learning, Quantum Mechanics Basics
- IBM Quantum Learning, Quantum Information
- IBM Quantum Learning, Mathematical Formulations of Measurements
- IBM Quantum Learning, Sample-based Quantum Diagonalization