샘플링과 탐색의 본질적 동등성

초록

이 논문은 입력 x에 대해 확률분포 Dₓ를 근사적으로 샘플링하는 문제와, 비어 있지 않은 집합 Aₓ의 원소를 높은 확률로 찾는 탐색 문제 사이에 본질적인 동등성이 있음을 보인다. Kolmogorov 복잡도와 알고리즘 정보 이론을 활용해, 임의의 샘플링 문제 S에 대응하는 탐색 문제 R_S를 구성하고, “합리적인” 복잡도 클래스 C에 대해 C의 샘플링 버전에 S가 속하면 C의 탐색 버전에 R_S도 속하고, 그 역도 성립함을 증명한다. 이를 통해 SampP=SampBQP와 FBPP=FBQP가 동치임을 보이며, 선형광학 실험으로 해결 가능한 탐색 문제의 존재 가능성을 제시한다.

상세 요약

논문은 먼저 샘플링 문제와 탐색 문제를 형식적으로 정의한다. 샘플링 문제 S는 입력 x에 대해 목표 분포 Dₓ를 ε‑근사(통계적 거리)로 생성하는 알고리즘을 요구하고, 탐색 문제 R은 입력 x에 대해 비어 있지 않은 해집합 Aₓ에서 원소를 찾는 알고리즘을 요구한다. 핵심 아이디어는 Kolmogorov 복잡도 K(·)를 이용해, 임의의 샘플링 인스턴스 x에 대해 “난이도 높은” 샘플들을 모아 해집합 Aₓ를 정의하는 것이다. 구체적으로, Dₓ에서 추출된 샘플 y가 K(y|x) ≥ t(큰 t)인 경우에만 y를 Aₓ에 포함시킨다. 이렇게 하면 Aₓ는 반드시 비어 있지 않으며, Aₓ의 원소를 찾는 것은 Dₓ에서 고복잡도 샘플을 뽑는 것과 동등해진다.

다음 단계에서는 “합리적인” 복잡도 클래스 C를 정의한다. 여기서는 C가 다항시간(또는 다항량자원) 내에서 결정론적·확률적·양자적 알고리즘을 포함하고, 클래스 내에서 표준적인 오류 감소와 샘플링·탐색 변환이 가능하다고 가정한다. 그런 다음 두 방향의 변환을 보인다. 첫째, C‑샘플링 알고리즘이 존재하면, 위에서 정의한 Aₓ를 이용해 C‑탐색 알고리즘을 구성할 수 있다. 이는 고복잡도 샘플을 찾는 것이 원래 샘플링 알고리즘을 여러 번 실행하고, 그 결과 중 복잡도가 충분히 높은 것을 선택하는 절차와 동일함을 이용한다. 둘째, C‑탐색 알고리즘이 존재하면, 이를 이용해 Dₓ를 근사적으로 샘플링할 수 있다. 구체적으로, 탐색 알고리즘이 반환하는 y∈Aₓ는 고복잡도이므로, y를 무작위로 선택된 작은 집합에 포함시키는 과정에서 전체 분포 Dₓ와 통계적 거리가 ε 이하가 되도록 보장한다.

이 변환 과정에서 중요한 기술적 난제는 “고복잡도” 임계값 t를 어떻게 설정하느냐이다. 논문은 t를 입력 길이와 ε, δ(오류 확률)와의 함수로 정하고, 이 값이 충분히 크면 Kolmogorov 복잡도와 실제 알고리즘적 난이도 사이에 강한 연결고리를 확보할 수 있음을 보인다. 또한, 변환이 효율적이려면 K(y|x)를 직접 계산할 수 없어도, 압축기법이나 난수 생성기의 난이도 분석을 통해 간접적으로 추정할 수 있음을 논한다.

주요 응용으로는 SampP=SampBQP와 FBPP=FBQP의 동치성을 도출한다. 여기서 SampP는 고전적 다항시간 내에서 모든 확률적 분포를 샘플링할 수 있는 클래스, SampBQP는 양자 다항시간 내에서 가능한 샘플링을 의미한다. 논문은 위의 변환을 적용해, 만약 고전 컴퓨터가 모든 양자 회로의 출력 분포를 샘플링할 수 있다면, 동일한 클래스 내에서 양자 컴퓨터가 해결할 수 있는 모든 탐색 문제도 고전 컴퓨터가 해결할 수 있음을 증명한다. 반대 방향도 동일하게 성립한다.

마지막으로, 선형광학 실험(포토닉스)과 관련된 탐색 문제의 존재 가능성을 제시한다. 저자는 Aaronson‑Arkhipov의 “보통형 광자 샘플링”(BosonSampling) 가설을 이용해, 선형광학 장치를 통해 고복잡도 샘플을 효율적으로 얻을 수 있지만, 이를 고전적으로 시뮬레이션하려면 다항계층이 붕괴해야 한다는 가정을 제시한다. 이는 아직 완전한 증명이 아니지만, 향후 논문에서 상세히 다룰 예정이다.

전체적으로 이 논문은 샘플링과 탐색이라는 두 핵심 복잡도 문제 사이의 깊은 연결고리를 밝혀, 복잡도 이론과 양자 정보 과학 사이의 교량 역할을 수행한다.