예측 양자 학습과 단일 입력 통신 복잡도

초록

본 논문은 테스트 단계에서 다항 개수의 질의만 답하면 되는 예측 양자(PQ) 학습 모델을 제안한다. 관계형 개념 클래스에 대해 PQ는 효율적으로 학습이 가능하지만, 어떠한 합리적인 고전 모델에서도 지수적인 학습 데이터가 필요함을 보인다. 또한 단일 입력(one‑way) 통신 모델을 분석해, 양자와 고전 사이에 지수적인 격차가 존재할 경우에만 변환이 통신 복잡도를 크게 늘릴 수 있음을 증명한다.

상세 분석

논문은 먼저 기존 PAC 학습의 한계를 극복하기 위해 예측 양자(Predictive Quantum, PQ) 모델을 정의한다. PQ에서는 학습자는 다항 시간 내에 양자 상태를 준비하고, 테스트 단계에서 제한된 수(다항 개수)의 질의에 대해 양자 측정을 수행해 답을 제공한다. 이때 학습자는 전체 테스트 집합을 알 필요 없이, 무작위로 선택된 질의에만 정확히 응답하면 된다. 이러한 설정은 실제 데이터가 제한된 상황에서 양자 알고리즘이 어떻게 이점을 가질 수 있는지를 탐구한다는 점에서 의미가 크다.

핵심 기여는 관계형(conceptual) 클래스 𝒞 를 구성해, 이 클래스는 PQ 모델에서 효율적으로(다항 시간·다항 샘플) 학습 가능하지만, 고전적인 PAC 혹은 그 변형 모델에서는 학습에 필요한 샘플 수가 2^{Ω(n)} 정도 되는 경우를 보인 것이다. 구체적으로, 저자는 입력 x 와 출력 y 사이의 관계를 정의하는 함수가 아니라, 여러 가능한 y 중 하나를 선택하도록 허용하는 관계형 문제를 설계한다. 양자 학습자는 이 관계를 양자 중첩과 측정을 통해 한 번에 여러 후보를 탐색함으로써 샘플 효율성을 얻는다. 반면 고전 알고리즘은 각 후보를 개별적으로 검증해야 하므로 지수적인 비용이 발생한다.

또한, 이러한 분리는 함수형 클래스에 대해서는 불가능함을 증명한다. 함수형 클래스는 각 입력에 대해 유일한 출력이 정해져 있기 때문에, 양자와 고전 사이에 샘플 복잡도 차이가 크게 발생할 여지가 없으며, 저자는 정보 이론적 하한을 이용해 양자 이점이 제한적임을 보인다.

통신 복잡도 측면에서는 ‘단일 입력 모드(single‑input mode)’를 도입한다. 여기서 수신자 Bob은 입력을 받지 않으며, 오직 송신자 Alice가 보낸 양자(또는 고전) 메시지만을 이용해 관계형 질의를 해결한다. 저자는 두 입력이 존재하는 일반적인 일방향 통신 문제를 단일 입력 관계형 문제로 변환할 수 있음을 보이며, 이 변환이 고전 통신에서는 비용을 그대로 유지하지만 양자 통신에서는 비용을 지수적으로 늘릴 수 있음을 증명한다. 구체적으로, 원 문제에 양자와 고전 일방향 통신 복잡도 사이에 2^{Ω(n)} 격차가 존재할 경우, 변환된 단일 입력 문제의 양자 복잡도는 고전 복잡도와 동일한 수준으로 급격히 상승한다. 이는 양자 통신이 관계형 작업에 대해 고전 대비 큰 이점을 가질 수 있음을 동시에 보여준다.

마지막으로, 저자는 이러한 결과가 양자 학습 이론과 통신 복잡도 이론 사이의 깊은 연결고리를 제공한다는 점을 강조한다. 특히, 관계형 문제에 대한 양자 학습 가능성은 통신 프로토콜 설계에 새로운 관점을 제공하며, 향후 양자 머신러닝과 양자 네트워크 연구에 중요한 토대를 마련한다.