⚛️ quantum physics

Comment on "A General Framework for Constructing Local Hidden-state Models to Determine the Steerability"

본 논문은 Jia 등이 최근 제안한 국소 숨은 상태 모델 구축 방법이 von Selzam 과 Marquardt 가 개발한 프레임워크와 방법론적 중첩 및 텍스트 유사성이 매우 높음에도 불구하고, 기존 연구에 대한 적절한 인용과 평가가 부족했다고 지적하며 그 구체적인 중복 사항을 상세히 문서화합니다.

원저자: Nick von Selzam, Florian Marquardt

게시일 2026-04-20

📖 3 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Nick von Selzam, Florian Marquardt

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 과학적 아이디어의 '원작자'와 '재창작자' 사이의 저작권 분쟁을 다루는 매우 흥미로운 문서입니다. 복잡한 양자 물리학 용어 대신, 일상적인 비유를 통해 쉽게 설명해 드리겠습니다.

🍳 요리사 A 와 요리사 B 의 이야기

이 논문의 핵심은 **"누가 이 요리를 처음 개발했는가?"**에 대한 문제입니다.

요리사 A (저자: 폰 셀잠 & 마르크ardt)
- 2025 년 4 월, 요리사 A 는 **"어떤 재료 (측정) 가 들어와도 맛있는 요리를 만들어내는 새로운 레시피 (프레임워크)"**를 개발했습니다.
- 이 레시피는 기계 학습 (AI) 기술을 이용해, 양자 세계의 복잡한 현상을 설명하는 '가상 요리법 (국소 숨은 변수 모델)'을 자동으로 찾아내는 방법론이었습니다.
- 이 레시피는 전문 잡지 (PRX Quantum) 에 실려 세상에 공개되었습니다.
요리사 B (저자: Jia 등)
- 2025 년 12 월, 요리사 B 는 비슷한 주제의 새로운 요리 (양자 스티어링 문제 해결) 를 발표했습니다.
- 요리사 B 는 자신의 레시피를 소개하며 "이전에 요리사 A 가 쓴 레시피를 참고했다"고 언급했습니다. 하지만 그 언급은 매우 짧고, 마치 자신만의 독창적인 아이디어인 것처럼 전체를 포장했습니다.

🕵️‍♂️ 문제의 본질: "참고"인지 "복사"인지?

저자 A 는 이렇게 주장합니다.

"당신은 내 레시피의 핵심 기술 90% 를 그대로 가져와서 썼습니다. 하지만 당신은 '참고'만 했지, 내 레시피의 구조, 문장, 심지어 숫자까지 거의 그대로 베꼈습니다."

논문의 표 (Table) 들은 이를 증명하는 증거들입니다.

비유 1: 레시피의 구성 (Table I)
- 요리사 A 가 개발한 '비밀 재료 배합법', '계산기 사용법', '실수할 때 고치는 방법' 등 9 가지 핵심 기술이 요리사 B 의 레시피에 똑같이 들어있습니다.
- 문제는 요리사 B 가 이 중 8 가지는 출처를 밝히지 않았다는 것입니다. 마치 "이 요리는 내가 처음 발명했다"는 식으로 행동한 것입니다.
비유 2: 문장의 복사 (Table II & III)
- 요리사 B 가 쓴 설명문장을 보면, 요리사 A 의 문장과 단어 하나만 바꿔서 (예: 'A'를 'B'로, '양자'를 '스틸링'으로) 거의 똑같이 쓰여 있습니다.
- 예: "우리는 손실 함수를 최소화한다"는 문장이, "우리는 손실 함수를 최적화한다"로 바뀌었을 뿐, 문장 구조와 흐름이 100% 동일합니다.
- 이는 마치 소설의 줄거리와 문장을 그대로 가져와서 등장인물 이름만 바꿔서 출판한 것과 같은 상황입니다.

🎯 저자들의 진짜 의도는 무엇인가요?

저자 A 는 요리사 B 가 새로운 요리를 시도한 것 자체를 비난하는 것이 아닙니다.

"당신이 내 레시피를 가져와서 **새로운 재료 (양자 스티어링 문제)**에 적용한 것은 훌륭한 일입니다."
하지만 **"그 과정에서 내 레시피의 핵심 기술과 설명을 내 이름 없이 가져와서, 마치 처음부터 당신이 개발한 것처럼 보여주는 것은 부당하다"**고 지적합니다.

💡 결론: 왜 이 논문이 중요한가?

이 논문은 과학계에서 **지적 재산권과 정직한 인용 (Citation)**의 중요성을 일깨워줍니다.

과학의 발전은 계승 위에 이루어집니다: 새로운 아이디어는 기존 아이디어를 바탕으로 합니다.
하지만 '계승'과 '표절'은 다릅니다: 남의 아이디어를 가져와서 발전시킬 때는, 어디서 가져왔는지, 어떤 부분이 내 것인지를 명확히 구분해야 합니다.

이 논문은 **"내 레시피를 가져가서 새로운 요리를 만들어도 좋지만, 그 레시피가 내 것이라는 사실을 숨기지 마라"**라고 외치는, 과학적 윤리에 대한 강력한 경고장입니다.

논문 요약: "국소 숨은 상태 (LHS) 모델 구축을 위한 일반적 프레임워크에 대한 논평"

1. 문제 제기 (Problem)

배경: 양자 역학에서 '양자 스티어링 (Quantum Steering)' 현상을 검증하기 위해 국소 숨은 상태 (Local Hidden-State, LHS) 모델을 구성하는 것은 중요한 과제입니다.
쟁점: Jia 등 (2025) 은 머신러닝 기반 프레임워크를 사용하여 최적의 LHS 모델을 구축한다고 주장하며 arXiv 에 논문을 게시했습니다.
저자의 주장: Jia 등의 논문은 von Selzam 과 Marquardt 가 2025 년 4 월에 발표한 국소 숨은 변수 (Local Hidden-Variable, LHV) 모델 구축 프레임워크와 방법론적, 문체적 중복이 매우 큽니다. Jia 등은 저자들의 연구를 인용하기는 했으나, 그 방법론적 기원과 텍스트의 유사성을 충분히 반영하지 못하여 독자에게 해당 프레임워크가 Jia 등의 독자적인 기여인 것처럼 오인하게 만든다고 비판합니다.

2. 방법론적 중복 및 비교 (Methodology & Overlap)

저자들은 두 논문 간의 방법론적 유사성을 **표 1 (Table I)**을 통해 상세히 비교했습니다. Jia 등의 논문 (Ref. [2]) 은 저자들의 논문 (Ref. [1]) 에서 제시된 핵심 기법들을 거의 그대로 차용했으나, 대부분 출처를 명시하지 않았습니다.

주요 중복된 방법론적 요소는 다음과 같습니다:

숨은 변수 분포의 표현: 유한한 숨은 변수 튜플의 구름 (cloud) 으로 분포를 표현하는 방식.
파라미터화 기법: 로컬 측정 규칙을 Softmax 함수로 파라미터화하는 방식.
연산자 전개: 측정 연산자를 일반화된 Gell-Mann 행렬로 전개하는 방식 (특히 $G_0$ 의 비표준 정규화 선택 포함).
기저 함수 확장: 측정 규칙을 측정 공간의 직교 기저 함수로 확장하고, 이를 계수 행렬로 표현하는 방식.
구체적 기법:
- 프로젝트 측정 (Projective measurements) 에 홀수 구면 조화 함수 (odd spherical harmonics) 사용.
- 0 이 아닌 기울기 (gradient) 를 보장하기 위해 시그모이드 (sigmoid) 함수 사용.
- 손실 함수 (Loss function) 로 모든 측정에서의 LHV 와 양자 통계 간 평균 거리 사용.
- **확률적 경사 하강법 (Stochastic Gradient Descent)**을 사용하여 측정 설정을 배치 (batch) 로 샘플링하는 방식.

3. 텍스트적 유사성 (Textual Similarity)

저자들은 **표 2 와 표 3 (Table II & III)**을 통해 두 논문 간의 문장 구조와 표현이 거의 동일함을 입증했습니다.

유사성 패턴: Jia 등의 논문은 저자들의 문장을 단순히 기호 (예: $LHV \to LHS$ , $k \to a$ ) 를 변경하거나 동의어로 교체하여 재작성 (paraphrasing) 한 경우가 많습니다.
구체적 예시:
- 손실 함수의 정의와 미분 가능성에 대한 설명.
- "머신러닝 용어를 차용하여 (Borrowing machine learning terminology)"라는 문구와 손실 함수 최소화 공식의 유사성.
- 학습률 ( $\eta$ ) 에 대한 1 차 전개 (first-order expansion) 설명 및 확률적 업데이트 과정 (Monte Carlo estimate) 에 대한 기술적 설명이 거의 동일함.
- Singlet 상태의 가시성 (visibility) $v \le 1/3$ 조건에 대한 서술.

4. 주요 기여 및 저자의 입장 (Key Contributions & Stance)

저자의 기존 기여 (Ref. [1]): 연속적인 측정 세트 (예: 모든 프로젝트 측정) 에 대해 일반화된 LHV 모델을 구성하고 파라미터화하여, 모든 LHV 모델 공간에서 효율적인 수치 최적화가 가능하도록 한 일반적인 머신러닝 기반 프레임워크를 개발했습니다.
Jia 등의 기여 (Ref. [2]): 저자들의 프레임워크를 스티어링 (Steering) 문제에 적용한 점과, 숨은 상태를 **제약이 없는 복소 행렬 (unconstrained complex matrices)**로 파라미터화한 점이 새로운 요소로 보입니다.
저자의 비판: 저자들은 스티어링 문제로의 확장은 타당하고 흥미로운 시도라고 인정합니다. 그러나 문제의 핵심은 **확장성 그 자체가 아니라, 프레임워크의 기원과 핵심 방법론을 명확히 인정하지 않은 채 마치 독자적인 프레임워크인 것처럼 제시한 '제시 방식 (presentation)'**에 있습니다.

5. 결과 및 의의 (Results & Significance)

결과: 이 논평은 Jia 등의 논문이 방법론적 기원과 텍스트적 출처를 충분히 표기하지 않아 학문적 엄밀성에 문제가 있음을 지적합니다. 표 1~3 은 이러한 중복이 단순한 우연이 아니라 체계적인 차용임을 보여줍니다.
의의:
1. 학술적 정직성 강조: 새로운 연구가 기존 프레임워크를 확장할 때, 핵심 아이디어와 방법론의 기원을 명확히 표기해야 함을 강조합니다.
2. 오해 방지: 독자들이 해당 프레임워크가 Jia 등의 독창적인 발명인 것처럼 오인하는 것을 방지하고, von Selzam 과 Marquardt 의 선구적인 기여를 올바르게 인정받게 합니다.
3. 연구 방향성: 양자 스티어링 및 LHV 모델 구축 분야에서 머신러닝 기반 최적화 기법의 표준적인 접근법이 무엇인지에 대한 명확한 기준을 제시합니다.

결론

이 논문은 Jia 등의 연구가 von Selzam 과 Marquardt 의 기존 LHV 프레임워크를 스티어링 문제에 적용한 것임을 인정하면서도, 방법론적 기원과 텍스트적 유사성에 대한 적절한 인용과 표기가 부족했다는 점을 강력히 지적합니다. 저자들은 해당 프레임워크의 핵심 기술 (Softmax 파라미터화, 구면 조화 함수 사용, SGD 기반 최적화 등) 이 자신들의 연구에서 비롯된 것이며, Jia 등의 논문이 이를 충분히 반영하지 못해 학계에서 오해를 불러일으킬 수 있음을 경고합니다.