AI바라기의 인공지능
양자 AI 개념 : ∣+⟩ ∣-⟩ ∣0⟩ ∣1⟩ 네 상태의 관계 및 정의 본문
핵심 관계
는 기본 기준 상태입니다.
컴퓨터의 0/1처럼 가장 기본 축이라고 보시면 됩니다.
는 $|0\rangle, |1\rangle$를 반반 섞어서 만든 다른 기준 상태입니다.
1. 네 상태의 정의
그리고
즉,
- $|+\rangle$ = $|0\rangle$와 $|1\rangle$를 같은 부호로 반반 섞은 상태
- $|-\rangle$ = $|0\rangle$와 $|1\rangle$를 반대 부호로 반반 섞은 상태
- 입니다.
2. 그림으로 보면
는 기본 축입니다.

는 그 사이 대각선 방향입니다.

그래서 감각적으로는 이렇습니다.
- $|0\rangle, |1\rangle$ : 기본 좌표축
- $|+\rangle, |-\rangle$ : 그 좌표축을 45도 돌린 새 기준
3. 제일 중요한 관계식
반대로도 쓸 수 있습니다.
이게 중요합니다.
즉,
- $|+\rangle, |-\rangle$는 $|0\rangle, |1\rangle$로 표현 가능하고
- $|0\rangle, |1\rangle$도 $|+\rangle, |-\rangle$로 표현 가능하다
- 입니다.
둘 다 같은 1큐비트 상태공간을 표현하는 서로 다른 기준입니다.
4. 측정하면 어떻게 나오나
$|0\rangle, |1\rangle$ 기준으로 측정할 때
| 상태 | $|0\rangle$ 나올 확률 | $|1\rangle$ 나올 확률 |
| :--- | :--- | :--- |
| $|0\rangle$ | 100% | 0% |
| $|1\rangle$ | 0% | 100% |
| $|+\rangle$ | 50% | 50% |
| $|-\rangle$ | 50% | 50% |
즉, $|+\rangle$와 $|-\rangle$는 $|0\rangle, |1\rangle$ 기준으로 보면 둘 다 반반입니다.
그래서 헷갈립니다.
하지만 둘은 같은 상태가 아닙니다.
부호가 다릅니다.
이 마이너스가 간섭에서 차이를 만듭니다.
5. $|+\rangle, |-\rangle$ 기준으로 측정하면
이번에는 기준을 바꿔서 $|+\rangle, |-\rangle$ 기준으로 측정한다고 생각해보겠습니다.
| 상태 | $|+\rangle$ 나올 확률 | $|-\rangle$ 나올 확률 |
| :--- | :--- | :--- |
| $|+\rangle$ | 100% | 0% |
| $|-\rangle$ | 0% | 100% |
| $|0\rangle$ | 50% | 50% |
| $|1\rangle$ | 50% | 50% |
즉,
- $|0\rangle, |1\rangle$ 기준에서는 $|+\rangle, |-\rangle$가 반반으로 보이고
- $|+\rangle, |-\rangle$ 기준에서는 $|0\rangle, |1\rangle$가 반반으로 보입니다.
6. 한 줄 요약
는 Z 기준입니다.
는 X 기준입니다.
조금 더 쉽게 말하면,
- $|0\rangle, |1\rangle$ : 기본 0/1 기준
- $|+\rangle, |-\rangle$ : 0과 1을 반반 섞어 만든 플러스/마이너스 기준
- 입니다.
7. Hadamard 게이트로 연결됨
네 상태는 Hadamard 게이트(H)로 서로 연결됩니다.
그리고 반대로,
즉 Hadamard는 기준을 바꿔주는 역할을 합니다.
0/1 기준 ↔ +/- 기준
8. 진짜 감각
- $|0\rangle$는 “완전 0”.
- $|1\rangle$는 “완전 1”.
- $|+\rangle$는 “0과 1이 같은 부호로 반반 섞인 상태”.
- $|-\rangle$는 “0과 1이 반대 부호로 반반 섞인 상태”.
따라서 제일 중요한 구분은 이겁니다.
- $|0\rangle, |1\rangle$는 서로 반대인 기본 상태
- $|+\rangle, |-\rangle$도 서로 반대인 기본 상태
다만 기준축이 다르다.
최종 암기용으로는 이렇게 잡으시면 됩니다.
그리고
'인공지능' 카테고리의 다른 글
| 양자 AI 0강 : 양자상태의 언어: 벡터, 확률진폭, 위상 (큐비트를 확률표가 아니라 “확률진폭을 가진 벡터”로 이해하는 입문 강의) (0) | 2026.06.19 |
|---|---|
| 개념 정리 : GNN (Graph Neural Network) (1) | 2026.04.22 |
| 개념정리 : 고유값, 고유벡터 (0) | 2026.04.01 |
| 개념정리 : Diffusion 모델 학습 Loss : 노이즈 예측부터 Score Matching까지 (1) | 2026.03.28 |
| 개념정리 : diffusion : 이상적인 한 스텝 reverse (1) | 2026.03.28 |
