양자 머신러닝은 무엇을 하려는가
양자 머신러닝(QML)은 고전 데이터를 양자 상태로 인코딩하고, 매개변수화된 양자 회로나 양자 커널로 특징을 변환한 뒤, 고전 최적화기가 매개변수를 갱신하는 방식이 중심입니다. 얽힘과 큰 힐베르트 공간을 이용해 적은 매개변수로 복잡한 상관관계를 표현할 가능성이 있습니다.
2026년 Discover Computing의 공개 리뷰는 에너지 예측, 금융, 의료, 재료, 생성 모델과 군집화 연구를 비교했습니다. 일부 작은 데이터에서는 양자 신경망이나 양자 생성 모델이 적은 매개변수로 경쟁력 있는 정확도를 보였습니다. 그러나 이는 실행 시간의 우위와 같은 뜻이 아닙니다.
왜 아직 고전 AI보다 빠르지 않나
- 데이터 로딩: 대규모 고전 데이터를 양자 상태로 바꾸는 비용이 알고리즘의 이론적 속도 향상을 상쇄할 수 있습니다. QRAM처럼 일부 알고리즘이 가정하는 장치는 아직 실용적이지 않습니다.
- 노이즈와 얕은 회로: 현재 NISQ 장치는 오류 때문에 깊은 회로를 안정적으로 실행하기 어렵고, 학습 기울기가 사라지는 barren plateau도 있습니다.
- 반복 측정 비용: 양자 상태는 한 번 측정하면 충분한 값을 주지 않으므로 같은 회로를 여러 번 실행하는 샷이 필요합니다. 오류 완화와 기울기 계산은 반복 횟수를 더 늘립니다.
- 양자·고전 통신: 하이브리드 학습은 QPU 실행 사이마다 CPU·GPU 최적화를 반복합니다. 2026년 리뷰는 이 통신과 회로 실행 때문에 매개변수 효율이 실제 wall-clock 속도 향상으로 이어지지 않았다고 정리합니다.
- 강해지는 고전 기준선: 양자 아이디어를 모방하는 고전 알고리즘이 초기의 일부 이론적 격차를 좁혔습니다. QML은 단순 신경망이 아니라 최적화된 최신 고전 모델과 비교해야 합니다.
세 가지 발전 시나리오
단기—AI가 양자를 돕는다. QML보다 오류 해독, 캘리브레이션, 회로 탐색과 실험 자동화에서 머신러닝의 실용성이 먼저 커집니다.
중기—작고 구조적인 하이브리드 문제. 양자 상태가 자연스럽게 존재하는 화학·재료 데이터, 적은 데이터의 특징 매핑, 특정 최적화 커널에서 QPU를 보조 장치로 시험합니다. 데이터 로딩부터 최종 결과까지 전체 시간과 에너지를 측정해야 합니다.
장기—오류 내성 양자 네이티브 학습. 충분한 논리 큐비트, 깊은 회로와 효율적인 상태 준비가 가능해지면 선형대수, 샘플링, 상관관계 계산의 양자 가속이 AI 파이프라인 일부에 들어갈 수 있습니다. 이것도 모든 Transformer 학습을 대체한다는 뜻은 아닙니다.
좋은 QML 주장은 정확도뿐 아니라 데이터 인코딩, 샷, 오류 보정, 고전 전후 처리와 통신을 포함한 종단 간 시간·비용·에너지에서 같은 품질의 최신 고전 기준선을 이겨야 합니다. 현재는 그 조건을 일반적으로 충족한 실증이 없습니다.