A Critical Comment on 'Entropy Computing: A Paradigm for Optimization in Open Photonic Systems'

본 논문은 환경적 노이즈를 활용하는 Quantum Computing Inc. 의 패러다임인 엔트로피 양자 컴퓨팅 (EQC) 을 비판적으로 평가하며, 그 주장이 더 엄밀하게 다듬어질 수는 있으나 현재 기술은 최첨단 고전 알고리즘보다 아직 더 뛰어난 성능을 발휘하지 못한다고 결론 내린다.

핵심

이 논문은 쉬운 언어와 일상적인 비유를 사용하여 설명합니다.

큰 그림: 새로운 컴퓨터 대 구식 수비수

Quantum Computing Inc.(QCi) 라는 회사가 Dirac-3이라는 새로운 기계를 만들었다고 상상해 보세요. 이 회사는 해당 기계를 혁신적인 "엔트로피 컴퓨터"라고 주장합니다.

회사의 제안:
대부분의 컴퓨터는 실수를 피하기 위해 완벽하게 조용하고 격리된 상태를 유지하려 합니다. 하지만 Dirac-3 은 정반대입니다. 소음, 혼란, 그리고 "엔트로피"(무질서) 를 받아들입니다. 이 회사는 빛과 열의 "지저분함"을 활용하여 어떤 일반 컴퓨터보다 어려운 퍼즐 (최적화 문제) 을 더 빠르게 해결한다고 말합니다. 그들은 혼란을 초능력으로 바꾼다고 주장합니다.

저자들의 판단:
두 명의 연구자, Ali 와 Bahram 은 이 주장을 검증하기로 결정했습니다. 그들은 회의적인 정비공처럼 행동했습니다. 회사가 해결한 퍼즐들을 가져와서 고전적이고 검증된 수학 기법을 사용하여 일반 노트북에서 실행한 후 결과를 비교했습니다.

그들의 결론:
새로운 기계는 마법이 아닙니다. 그 기계가 해결한 퍼즐들은 너무 쉬웠습니다. "시뮬레이션 어닐링 (Simulated Annealing)"과 같은 간단하고 잘 알려진 알고리즘을 실행하는 일반 노트북이 fancy 한 광자 (photonic) 기계가 필요 없이 정확히 같은 문제를 똑같이 빠르게, 그리고 종종 더 잘 해결했습니다. 저자들은 기술이 흥미롭기는 하지만, 아직 최고의 고전 컴퓨터를 능가한다는 것을 증명하지는 못했다고 주장합니다.

---

비유: 안개 낀 산맥에서 가장 낮은 골짜기 찾기

이 컴퓨터들이 무엇을 하려는지 이해하려면, 밤에 안개 낀 거대한 산맥에 있다고 상상해 보세요. 당신의 목표는 가장 낮은 골짜기 (문제의 최선책) 를 찾는 것입니다.

1. "구식" 방법 (경사 하강법, Gradient Descent):
   당신은 발밑의 경사만 느낄 수 있는 등산객이라고 상상해 보세요. 당신은 아래로 내려갑니다. 문제는 만약 당신이 작은 언덕에서 시작한다면, 전 세계의 가장 낮은 골짜기가 아닌 작은 골짜기에 갇힐 수 있다는 것입니다. 당신은 이겼다고 생각하지만, 실제로는 그렇지 않습니다.

2. "신식" 방법 (엔트로피/Dirac-3):
   회사는 그들의 기계를 안개 속에서 무작위로 뛰어다니는 등산객과 같다고 주장합니다. 그들은 말합니다, "우리가 땅을 흔든다면 (소음/엔트로피를 추가한다면), 작은 골짜기에서跳出하여 가장 깊은 골짜기를 찾을 수 있습니다." 그들은 이 "흔들기"가 양자적 초능력이라고 주장합니다.

3. 저자들의 반박:
   연구자들은 말합니다, "잠시만요. 우리는 작은 골짜기에서 탈출하기 위해 무작위로 뛰어다니는 법도 아는 매우 오래되고 매우 똑똑한 등산객 (고전 알고리즘) 을 가지고 있습니다. 우리는 두 등산객을 작은 지역 공원 (테스트 문제) 에서 테스트했습니다. 그 늙은 등산객은 당신의 새로운 기계만큼이나 빠르게 바닥을 찾았고, $1 천만 달러짜리 레이저 장치가 필요하지 않았습니다."

---

세 가지 테스트: 왜 새로운 기계가 빛을 발하지 못했는지

연구자들은 Dirac-3 이 실제로 특별한지 확인하기 위해 세 가지 구체적인 테스트를 수행했습니다.

테스트 1: 흔들리는 다항식 (단순한 곡선)

• 과제: 울퉁불퉁하고 구불구불한 선에서 가장 낮은 점을 찾으세요.
• 회사의 주장: 그들의 기계가 바닥을 찾았습니다. 그들은 작은 골짜기에 갇힌 "경사 하강법" 등산객과 비교했습니다.
• 현실 확인: 연구자들은 "갇히는 등산객과 당신의 기계를 비교하는 것은 약한 테스트입니다"라고 말했습니다. 그들은 훨씬 더 똑똑한 "등산객" (메타휴리스틱 알고리즘) 을 사용하여 0.01 초 만에 바닥을 찾았습니다. 새로운 기계는 전혀 특별해 보이지 않았습니다.

테스트 2: 50 변수 퍼즐 (중간 난이도)

• 과제: 50 개의 움직이는 부품이 있는 문제를 최적화하세요.
• 회사의 주장: 그들의 기계가 최선의 답을 찾았지만, 올바르게 하려면 신중하게 조정 (라디오 볼륨 조절과 유사) 해야 했습니다.
• 현실 확인: 일반 컴퓨터는 조정 없이 0 초 만에 이를 해결했습니다. 정비사가 필요해서 시작해야 하는 F1 자동차와 그냥 작동하는 자전거를 비교한 것과 같습니다. 자전거가 단순성과 속도에서 이겼습니다.

테스트 3: 그래프 자르기 게임 (큰 난이도)

• 과제: 30 개의 점으로 이루어진 네트워크를 두 그룹으로 나누어, 그들 사이에 끊어지는 선이 가장 많도록 하세요 (Max-Cut).
• 회사의 주장: 그들의 기계는 "반정적 프로그래밍 (Semi-Definite Programming)"이라는 표준 수학 방법을 능가하는 매우 좋은 절단을 찾았습니다.
• 현실 확인: 연구자들은 "작은 30 점 그래프에서 약한 수학 방법을 이기는 것은 인상적이지 않습니다"라고 말했습니다. 그들은 일반 노트북에서 간단하고 고전적인 "점프" 알고리즘 (시뮬레이션 어닐링 및 타부 검색) 을 사용했습니다.
  • 결과: 노트북은 거의 즉시 완벽한 답을 찾았습니다.
  • 새로운 기계: 그것은 "좋은" 답을 찾았지만 완벽한 답은 아니었고, 일관성 없이 수행되었습니다.
  • 교훈: 문제는 새로운 기계가 강력하다는 것을 증명하기에는 너무 쉬웠습니다. 종이 비행기보다 연을 더 높이 날릴 수 있다는 이유로 새로운 로켓 엔진이 놀랍다고 말하는 것과 같습니다.

---

물리학: "양자"인가 아니면 단순히 "뜨거운" 것인가?

이 회사는 기계가 작동하기 위해 "양자 확률성 (Quantum Stochasticity)" (이상한 양자 소음) 을 사용한다고 주장합니다.

• 저자들의 분석: 그들은 기계 내부의 빛을 자세히 살펴보았습니다. 그들은 진정한 양자인 "단일 입자" (Fock 상태) 의 빛을 사용하고 있지 않다는 것을 발견했습니다. 대신 "약한 레이저 빔" (코히어런트 상태) 을 사용하고 있었습니다.
• 비유: 카지노를 상상해 보세요.
  • 진짜 양자: 완벽하게 균형 잡혀 있고 일반 물리학을 거스르는 방식으로 행동하는 주사위.
  • Dirac-3 이 사용하는 것: 공기 흐름과 테이블 진동 때문에 무작위로 굴러가는 약간 무게 중심이 잡힌 주사위.
  • 결론: 이 기계는 본질적으로 매우 정교한 열역학 엔진입니다. 온도를 이용하여 해답을 탐색하는 열기관과 같습니다. 흥미롭기는 하지만, 이는 새로운 양자 초능력이 아니라 알려진 고전 물리학의 트릭입니다.

이론적 "속임수" (무작위 그래프)

이 논문은 무작위 그래프에서의 "Max-Cut" 문제에 대한 최종 주장을 증명하기 위해 수학적으로 깊이 들어갑니다.

• 주장: 회사는 그들의 기계가 이러한 문제를 해결하는 정도에 대한 이론적 한계를 능가한다고 말합니다.
• 현실: 연구자들은 무작위 그래프 (무질서하고 계획되지 않은 네트워크와 유사) 에서는 심지어 무작위 추측조차 최악의 경우 이론적 한계보다 더 잘 수행할 것이라고 증명했습니다.
• 비유: "어려운 한계"가 수학 시험에서 50% 를 받는 것이라고 가정해 보세요. 회사는 말합니다, "보세요! 우리 기계는 90% 를 맞췄습니다!" 하지만 연구자들은 지적합니다, "글쎄요, 무작위 시험에서 모든 답에 'C'라고 추측하기만 해도 90% 를 맞출 것입니다. 따라서 90% 를 맞췄다고 해서 당신의 기계가 똑똑하다는 증거가 되는 것이 아니라, 단지 시험이 쉬웠다는 것을 증명할 뿐입니다."

최종 요약

이 논문은 엔트로피 컴퓨팅은 흥미로운 아이디어이지만, 현재 증거는 약하다고 결론 내립니다.

1. 테스트된 문제들은 너무 쉬웠습니다. 일반 컴퓨터가 더 빠르고 더 잘 해결했습니다.
2. "양자" 우위는 아마도 "고전적" 소음일 뿐입니다. 이 기계는 양자 컴퓨터가 아니라 열기관처럼 작동합니다.
3. 우월성에 대한 증거 없음. 이 기계가 고전 컴퓨터가 어려움을 겪는 훨씬 더 어렵고 큰 문제에서 테스트되기 전까지는 새로운 패러다임이라고 주장할 수 없습니다.

저자들은 이 기술이 쓸모없다고 말하는 것이 아닙니다. 그들은 단지 "아직 축하하지 마세요. 우리가 아직 구식 방법 중 최고를 이기는 것을 보지 못했습니다"라고 말하고 있을 뿐입니다.

기술 요약

기술 요약: '개방 광학 시스템에서의 최적화를 위한 패러다임으로서 엔트로피 컴퓨팅'에 대한 비판적 논평

문제 제기
본 논문은 양자 컴퓨팅 인크 (Quantum Computing Inc., QCi) 가 주장하는 '엔트로피 양자 컴퓨팅 (Entropy Quantum Computing, EQC)', 특히 Dirac-3 시스템에 대한 주장을 비판적으로 평가한다. 원래 연구는 개방 광학 시스템과 환경 소음을 활용하는 EQC 가 엔트로피를 계산 자원으로 전환함으로써 NP-하드 최적화 문제 (Max-Cut 및 2 차 계획법 등) 의 해결에 혁명을 일으킬 수 있다고 제안한다. 본 비판의 저자들은 Dirac-3 시스템의 보고된 성능이 최첨단 고전 알고리즘에 비해 진정한 양자 또는 광학적 우위를 보여주는지, 아니면 관찰된 결과가 기존의 고전적 방법으로 재현 가능한지 조사한다.

방법론
저자들은 Dirac-3 시스템을 평가하기 위해 세 가지 접근 방식을 채택한다:

1. 벤치마크의 고전적 재현: 저자들은 원래 연구에서 보고된 특정 최적화 문제 (이변수 비볼록 다항식, QPLIB_0018 연속 2 차 문제, 30 노드 무작위 그래프에서의 Max-k-Cut) 를 표준 소비자 등급 하드웨어 (Intel Core i9-13900K) 를 사용하여 재구현하였다. 확립된 고전 솔버와 메타휴리스틱을 활용하였으며, 여기에는 다음이 포함된다:

   • 정확 솔버 (Exact Solvers): Branch-and-Cut 알고리즘 (HiGHS 를 통해).
   • 연속 최적화: 내부점 방법 (Ipopt).
   • 메타휴리스틱: 시뮬레이션 어닐링 (SA), 탭u 검색, 입자 군집 최적화 (PSO), 진화 중심 알고리즘 (ECA).
   • 비교 기준선: 저자들은 이러한 문제 크기에서 Dirac-3 를 반정부호 계획법 (Semi-Definite Programming, SDP) 과 비교하는 것은 불충분하다고 주장하며, 대신 이러한 인스턴스에 대한 실제 표준인 정확한 솔버와 견고한 메타휴리스틱과 비교한다.

2. 통계적 및 열역학적 분석: 저자들은 Dirac-3 장치를 유효 깁스 (볼츠만) 분포에서 샘플링하는 개방 광학 시스템으로 모델링한다. 장치에서 생성된 컷 값의 통계적 특성을 분석하여 관측된 데이터를 이론적 분포 $P(k) \propto \Omega(k)e^{-\beta E_k}$에 적합시켰으며, 여기서 $\Omega(k)$는 상태 밀도이고 $\beta$는 유효 온도의 역수이다.

3. 이론적 점근 분석: 본 논문은 조밀한 무작위 그래프 ($G(n, 1/2)$) 에서 고가 컷 구성의 수에 대한 점근적 행위를 유도한다. 어닐링 근사 하에서 1 차 및 2 차 모멘트 방법을 사용하여 저자들은 큰 $n$의 극한에서 고가 컷 값을 산출하는 구성의 수가 푸아송 분포를 따른다는 것을 증명한다. 또한 Goemans-Williamson (GW) 근사 임계값을 초과할 시스템의 확률을 추가로 분석한다.

주요 결과

• 고전적 재현성: 저자들은 고전 알고리즘을 사용하여 Dirac-3 에 대해 보고된 최적화 결과를 성공적으로 재현하였다.

  • 비볼록 다항식의 경우, 고전 메타휴리스틱 (PSO, ECA) 이 기본 경사 하강법 (Gradient Descent) 기준선을 사용한 원래 연구보다 훨씬 짧은 시간 (<0.01 초) 에 전역 최소값을 찾았다.
  • QPLIB_0018 문제 (50 변수) 의 경우, 결정론적 솔버인 Ipopt 가 Dirac-3 에 필요한 확률적 매개변수 튜닝 없이도 1 초의 일부 만에 최적 해를 찾았다.
  • 30 노드 그래프에서의 Max-k-Cut 의 경우, 고전 메타휴리스틱 (SA 및 탭u 검색) 이 대부분의 시도에서 서브-밀리초 범위의 실행 시간으로 정확한 전역 최적값을 달성하였다. 반면, Dirac-3 의 결과는 최적이 아닌 컷에 중심을 둔 분포를 보였으며, 성공률은 고전 휴리스틱보다 현저히 낮았다.

• 시스템의 물리적 본질: 분석은 Dirac-3 시스템이 진정한 단일 광자 포크 (Fock) 상태가 아닌 약한 결맞음 상태에 의존함을 확인한다. 결과적으로 최적화를 주도하는 '양자 확률성'은 고전장의 푸아송 샷 노이즈에서 유래하므로, 이 시스템은 기능적으로 시뮬레이션 어닐링과 같은 고전적 확률적 최적화 방법과 유사하다.

• 무작위 그래프에 대한 이론적 한계: 저자들은 조밀한 무작위 그래프의 경우 $n \to \infty$로 갈 때 깁스 샘플러 (Dirac-3 와 같은) 가 Goemans-Williamson 근사 임계값을 초과할 확률이 1 에 수렴함을 증명한다. 그러나 이것이 양자 우위의 징후가 아님을 보여준다. 단순한 고전 알고리즘 (무작위 추측) 과 다항식 시간 근사 스킴 (PTAS) 또한 무작위 그래프에서 이러한 최악의 경우 경계를 점근적으로 능가한다. 따라서 $G(n, 1/2)$에서 GW 임계값을 초과하는 것은 계산적 우월성을 나타내지 않으며, 이 특정 영역에서 문제가 어렵지 않기 때문이다.

의의 및 주장
본 논문은 현재 증거가 엔트로피 컴퓨팅이 고전적 방법보다 질적인 계산적 또는 양자적 우위를 제공한다는 주장을 지지하지 않는다고 결론 내린다.

• 패러다임의 재정의: 저자들은 Dirac-3 시스템을 새로운 계산 패러다임이 아니라 '물리적으로 동기화된 휴리스틱 최적화기'로 보아야 한다고 주장한다. 그 행동은 열역학적 원리에 의해 지배되는 고전적 샘플링 기반 휴리스틱과 일치한다.
• 벤치마크 비판: 원래 연구에서 사용된 특정 벤치마크 (작은 문제 크기, 특정 그래프 구조) 는 현대 고전 알고리즘에 도전하기에 불충분하다. 최첨단 고전 솔버와의 비교 부재와 약한 기준선 (기본 경사 하강법 등) 의 사용은 실제 성능 지형을 흐리게 한다.
• 미래 요구 사항: 진정한 우위를 입증하기 위해 향후 연구는 다음을 제공해야 한다:
  1. 훨씬 더 크고 다양한 벤치마크.
  2. 현대 고전 알고리즘 (SDP 나 기본 경사 하강법뿐만 아니라) 과의 직접적인 비교.
  3. 기존 알고리즘적 또는 통계적 프레임워크로 설명할 수 없는 명확한 확장성 행동의 증명.

요약하자면, 최적화를 위한 개방 광학 시스템의 탐구는 유효한 실험적 방향이지만, 저자들은 현재 결과가 휴리스틱의 특정 하드웨어 구현에 대한 증명일 뿐, 고전 컴퓨팅의 범위를 넘어서는 어려운 조합 문제를 해결하는 획기적인 breakthrough 가 아니라고 주장한다.