유한 상태 양자 발생기 학습의 복잡성

초록

본 논문은 유한 상태 양자 발생기(Quantum Generator)의 출력 분포를 학습하는 문제를 다룬다. 표본 복잡도 측면에서는 다항식 수의 샘플만으로 근사 식별이 가능함을 보이며, 계산 복잡도 측면에서는 잡음이 있는 패리티 학습과 동등한 어려움을 가진다는 결과를 제시한다.

상세 분석

논문은 먼저 양자 발생기 모델을 정의한다. 유한 개의 양자 상태와 유니터리 전이 연산자를 갖는 시스템으로, 각 단계에서 측정 연산을 적용해 고전적인 심볼을 출력한다. 이는 고전적인 은닉 마코프 모델(HMM)과 구조적으로 유사하지만, 전이와 관측이 양자역학적 유니터리 연산과 측정으로 이루어져 있다는 점에서 차별화된다. 저자들은 기존 HMM 학습 기법, 특히 Kearns‑Vazirani와 Feldman‑Kearns의 샘플 복잡도 분석을 양자 발생기에 그대로 적용할 수 있음을 보인다. 핵심은 양자 상태들의 확률분포가 고전적인 마코프 체인의 전이 행렬과 동일한 형태의 선형 시스템으로 표현될 수 있다는 점이다. 따라서 총 상태 수가 n인 경우, O(poly(n,1/ε,log 1/δ))개의 독립 샘플만 있으면 전체 분포를 ε-근사, 1‑δ 신뢰도로 학습할 수 있다.

하지만 계산적 측면에서는 상황이 급변한다. 저자들은 양자 발생기 학습 문제를 “노이즈가 있는 패리티 학습(parity with noise)” 문제에 다항식 시간 환원(reduction)한다. 구체적으로, 임의의 n‑비트 패리티 함수를 잡음 ε와 함께 포함하는 분포를 생성하는 양자 발생기를 설계하고, 이 발생기의 분포를 ε‑근사 학습할 수 있다면, 동일한 알고리즘을 이용해 잡음이 있는 패리티 문제를 해결할 수 있음을 증명한다. 현재 잡음이 있는 패리티 학습은 알려진 다항식 시간 알고리즘이 없으며, 암호학적 가정에 기반한 하드니스 결과와도 연결된다. 따라서 양자 발생기 학습은 정보 이론적으로는 쉬우나, 실제 알고리즘 설계 관점에서는 패리티 학습과 동등하게 어려운 문제임을 결론짓는다.

이러한 결과는 양자 머신러닝 분야에서 “양자 모델이 고전 모델보다 학습이 더 쉬울 것”이라는 직관에 반하는 중요한 시사점을 제공한다. 또한, 양자 시스템의 관측이 본질적으로 확률적이며, 그 확률 구조가 고전적인 복잡도 경계와 맞닿아 있음을 보여준다.