양자 기계학습(QML)이 고전 컴퓨터로는 효율적으로 풀 수 없는 물리적 과제에서 실제로 우위를 가질 수 있음을 엄밀하게 증명한 연구가 공개됐다. 연구진은 arXiv에 게재한 논문에서 ‘물리적으로 동기가 부여된 양자 기계학습 과제 중, 학습 분리(learning separation)를 보이는 것을 만들어낼 수 있는가’라는 물음을 던지고, 양자 다체계(quantum many-body system)의 시간 진화를 예측하는 과제가 그 사례가 됨을 보였다.
연구진은 이 문제를 이른바 ‘아마도 근사적으로 올바른(PAC) 학습’ 틀에서 접근했다. 무작위 안정자 탐침 상태와, 다항식적으로 큰 시간 구간에서 균일하게 뽑은 진화 시간을 학습 설정으로 사용한다. 그리고 짧은 시간 동안의 학습 표본으로부터 바탕에 깔린 해밀토니안(Hamiltonian)을 학습하는, 효율적인 양자 절차를 제시했다. 양자 시스템이 시간에 따라 어떻게 변해가는지를 몇 개의 단시간 관측만으로 학습해 예측하도록 한 것이다.
고전 컴퓨터로는 이 과제가 어렵다는 점은, 다항식적으로 긴 시간 동역학 안에 BQP-완전(BQP-complete) 계산을 심어 넣는 방식으로 증명됐다. 연구진은 이를 통해, BQP가 P/poly에 포함되지 않는 한 어떤 무작위 고전 다항시간 알고리즘도 이 학습 조건을 충족할 수 없음을 보였다. BQP는 양자 컴퓨터가 효율적으로 풀 수 있는 문제들의 집합으로, 이 결과는 해당 과제가 양자 우위의 영역에 속함을 시사한다.
연구진은 나아가 고전적으로 어려운 이 문제 사례가 여전히 양자적으로는 학습 가능한 상태를 유지한다는 점을 밝히고, 이를 ‘학습 보조 인증 양자 시뮬레이션’과 연결지었다. 연구진은 이번 작업을 해밀토니안 진화에 기반한 자연스러운 기계학습 과제에서 엄밀한 학습 분리를 입증한 것으로 요약했다. 양자 우위를 추상적 문제가 아니라 실제 물리 시스템의 예측이라는 맥락에서 증명했다는 점에서 의미가 있다.
