싱가포르경영대, AI·양자 조합 최적화 논문 119편 검토…실용적 우위 입증 연구 0건

리뷰 논문의 배경과 범위

Hoong Chuin Lau 교수는 'Beyond QAOA'라는 제목의 논문에서 조합 최적화 분야의 AI·양자컴퓨팅 교차 연구를 체계적으로 정리했다. 총 119편을 평가 대상으로 삼아 이 중 67편을 상세히 코딩·분석했으며, 적응형 하이브리드 워크플로우를 비교·평가할 수 있는 분류 체계와 증거 위계를 새롭게 제안했다.

세 가지 연구 패러다임 분류

논문은 기존 연구를 세 유형으로 구분한다. AI-for-QO는 AI가 양자 솔버의 파라미터·초기화·실행 설정을 조율하는 방식이다. Q-for-AI는 머신러닝 모델 내부에 양자 레이어를 직접 삽입하는 접근법이다. AI-양자 공동 최적화는 학습된 정책이 고전 루틴과 양자 루틴 사이에서 작업을 동적으로 배분하는 방식을 가리킨다. 세 패러다임의 핵심 차이는 학습 단계와 양자 연산이 전체 파이프라인 어느 위치에 놓이느냐에 있다.

M0-M5 증거 위계로 본 현 수준

저자가 제시한 성숙도 위계는 M0부터 M5까지 총 6단계다. M0-M1은 개념 설명과 이상적 상태벡터 시뮬레이션 단계로, Q-for-AI 논문 15편 중 13편이 여기에 머물렀다. M2-M3은 다양한 문제 규모와 노이즈 환경에서의 검증을 요구하며, AI-for-QO 분야가 이 단계에서 가장 성숙한 결과를 보였다. M4-M5는 실제 하드웨어 상에서의 종단간 실행과 동등한 자원 조건에서의 우위 입증을 요구하는데, 검토된 논문 전체에서 M5 달성 사례는 0건이었다. 실험 규모의 중앙값도 16 큐비트에 그쳤다.

방법론적 결함: 기준선·절제 실험 부재

리뷰는 연구 설계 수준의 문제도 지적한다. 52개 핵심 연구 중 22개가 고전 알고리즘 기준선(classical baseline)을 설정하지 않았다. 양자 요소의 순수한 기여를 분리·확인할 수 있는 절제 실험(ablation test)을 수행한 사례도 해당 연구 24편 중 10편에 불과했다. 이 같은 설계 허점은 제안된 하이브리드 기법에서 양자 구성 요소가 실질적인 성능 향상을 가져오는지 판단하는 것을 어렵게 만든다.

시스템 공학 문제로의 전환과 선택적 양자 활용

논문은 양자 최적화의 확장 문제가 큐비트 수를 늘리는 차원을 이미 넘어섰다고 진단한다. 제약 조건 표현 방식, 패널티 가중치, 슬랙 인코딩, 트랜스파일 이후 2큐비트 게이트 깊이 같은 시스템 수준 요소들이 회로 파라미터 선택보다 먼저 전체 성능을 좌우하는 경우가 많다는 것이다. 이에 저자는 선택적 양자 활용 전략을 권고한다. 양자 프로세서를 호출했을 때의 한계 편익이 계산·샘플링·대기 비용을 초과하는지를 예측하는 학습 기반 컨트롤러 개발이 현실적인 방향이라는 것이다.