양자 컴퓨팅 코파일럿을 위한 데이터 검증의 필수성

초록

양자 회로 생성은 수학적 정확성이 요구되는 고난이도 작업이며, 기존 대형 언어 모델(LLM)은 통계적 추론에 기반해 환각(hallucination) 문제를 피할 수 없다. 저자들은 검증된 학습 데이터와 생성 단계에서의 사전 제약을 도입한 ‘검증‑우선’ 아키텍처가 양자 코파일럿에 필수라고 주장한다. 실험에서는 검증되지 않은 LLM이 회로 최적화에서 최대 79% 정확도에 머물렀으며, 검증된 데이터로 미세조정된 모델이 현저히 높은 정확도와 신뢰도를 보였다.

상세 분석

본 논문은 양자 프로그램 자동 생성·컴파일이 요구하는 “완전한 수학적 일관성”을 강조한다. 양자 회로는 유니터리성, 하드웨어 토폴로지, 게이트 오류율 등 다중 제약을 동시에 만족해야 하며, 어느 하나라도 위배되면 물리적으로 실행 불가능해진다. 저자들은 현재 LLM이 대규모 텍스트·코드 코퍼스를 통계적으로 학습함으로써 이러한 엄격한 제약을 내재화하지 못한다는 점을 ‘환각은 수학적으로 불가피’하다고 규정한다. 이를 해결하기 위한 세 가지 핵심 주장(P1‑P3)은 다음과 같다. 첫째, 검증된 데이터셋(예: 자동 정리 증명기 Lean·Z3을 이용해 사전 검증된 회로)만을 학습에 사용하면 모델이 제약을 “통계적 근사”가 아니라 “구조적 지식”으로 습득한다. 둘째, 생성 과정 자체에 제약을 삽입하는 사전 검증(a priori constraints) 방식이, 사후 필터링(post‑hoc filtering)보다 효율적이다. 설계 공간이 dⁿ 형태로 급증하고, 유효 설계 비율이 (δ/d)ⁿ 로 지수적으로 감소하는 상황에서 사후 필터링은 계산 비용이 폭발한다. 셋째, 물리 법칙이나 수학적 공리가 직접적인 정답 기준이 되는 분야(양자 컴퓨팅, 약물 설계, 재료 탐색 등)에서는 검증‑우선 아키텍처가 기본 설계 원칙이 되어야 한다. 실험에서는 34개의 공개 LLM을 70,000개의 다중 선택 문제에 적용했으며, 검증된 데이터로 미세조정된 gemma3:12b와 gpt‑oss:120b가 60‑79%의 정확도를 기록한 반면, 일반 모델은 21‑29% 수준에 머물렀다. 또한 검증 모델은 정답에 대한 신뢰도(확률)도 60‑80%로 잘 보정(calibrated)된 반면, 일반 모델은 20‑35%에 불과했다. 이러한 결과는 단순 파라미터 규모 확대만으로는 양자 회로와 같이 제약이 강한 작업에서 정확성을 확보할 수 없음을 실증한다. 논문은 검증 데이터 생성 비용이 높지만, 장기적으로는 “데이터 검증 = 설계 검증”이라는 패러다임 전환이 AI‑4‑Research의 핵심 인프라가 될 것이라고 제언한다.