당신은 미래를 예측하려고 노력 중이라고 상상해 보세요. 하지만 수정구슬을 보는 대신, 숫자로 이루어진 혼돈의 폭풍을 보고 있습니다. 이것이 바로 **시계열 예측(time-series forecasting)**의 세계입니다. 이는 과거에 일어났던 일을 바탕으로 다음에 무슨 일이 일어날지 추측하는 데 전념하는 과학의 한 분야입니다. 마치 지난 몇 단계의 춤 동작을 관찰함으로써 복잡한 댄스 루틴의 다음 동작을 맞히려는 것과 같습니다. 과학자들은 이를 사용하여 날씨와 주식 시장부터 내일 도시가 필요로 할 전력량까지 모든 것을 예측합니다.

오랫동안 이 작업에 사용된 최고의 도구는 "트랜스포머(Transformers)"라고 불리는 거대하고 굶주린 컴퓨터 프로그램들이었습니다. 이 프로그램들은 마치 노래의 모든 지난 음표를 하나하나 다 읽어서 다음 음표를 추측하는 매우 집요한 사서와 같습니다. 하지만 그들에게는 문제가 있습니다. 그들은 믿을 수 없을 정도로 무겁고 느립니다. 노래가 길어질수록 사서는 압도당하고, 컴퓨터는 속도를 맞추기 위해 엄청난 양의 에너지를 사용하며 땀을 흘리기 시작합니다.

**양자 컴퓨팅(quantum computing)**의 세계가 등장했습니다. 여러분은 이를 "초고속"의 미래 컴퓨터로 들어보셨을 것입니다. 핵심 아이디어는 중첩(superposition)(비트가 0과 1 동시에 될 수 있는 상태, 즉 동전이 땅에 떨어지기 전까지 앞면이자 뒷면인 상태)과 얽힘(entanglement)(두 입자가 너무 연결되어 있어서, 아무리 멀리 떨어져 있어도 하나를 변화시키면 다른 하나도 즉각적으로 변하는 상태)입니다. 이러한 기묘한 양자 규칙을 사용하여, 과학자들은 더 가볍고 빠르며, 숫자의 혼란스러운 춤 속에서 숨겨진 패턴을 더 잘 찾아내는 모델을 구축하기를 희망합니다. 큰 질문은 이것입니다. 오늘날의 불완전하고 노이즈가 많은 기계들을 가지고도, 우리가 현재 가진 최고의 도구들보다 미래를 더 잘 예측하는 양자 컴퓨터를 실제로 만들 수 있을까요?

---

양자 수정구슬: 하이브리드 실험

이 논문에서 두 명의 연구자, 산제이 차크라보르티(Sanjay Chakraborty)와 프레드릭 하인츠(Fredrik Heintz)는 새로운 종류의 수정구슬을 만들기로 했습니다. 그들은 QTSF(Quantum Time-Series Forecasting)라는 "하이브리드" 프레임워크를 개발했습니다. 이것을 클래식 컴퓨터(똑똑하고 신뢰할 수 있는 인간)와 양자 컴퓨터(거칠고 직관적인 외계인) 사이의 팀 결합이라고 생각하십시오. 그들의 목표는 이 팀이 온도, 풍속, 습도와 같은 복잡한 다변수 데이터를 동시에 추적하는 것처럼 복잡한 데이터의 미래를 현재의 거물들보다 더 잘 예측할 수 있는지 확인하는 것이었습니다.

그들은 단 하나의 모델만 만든 것이 아니라, 양자 팀이 어떤 것이 가장 잘 작동하는지 테스트하기 위해 두 가지 서로 다른 "두뇌"를 만들었습니다.

두 명의 도전자: 랜덤 저장소 vs 훈련된 예술가

첫 번째 도전자는 QRC-F(Quantum Reservoir Forecaster)라고 불립니다. 이것을 **무작위 에코 체임버(잔향실)**라고 상상해 보십시오. 당신이 무작위로 배치된 바위가 있는 동굴 속으로 소리를 지르면, 돌아오는 메아리는 복잡하고 독특한 패턴을 형성합니다. QRC-F도 똑같이 작동합니다. 데이터를 가져와서 고정된 무작위 양자 회로(즉, "저장소")를 통해 튕겨낸 뒤 결과를 측정합니다. 이것은 무엇인가를 "학습"하지 않습니다. 그저 데이터를 혼합하기 위해 양자 기계의 자연스러운 복잡성에 의존할 뿐입니다. 이는 패턴을 찾기 위해 무작위 셔플을 사용하는 것과 같습니다.

두 번째 도전자는 VQF-F(Variational Quantum Forecaster)입니다. 이것은 훈련된 예술가입니다. 무작위 에코 체임버 대신, 이 모델은 조절 가능한 노브(매개변수)가 있는 양자 회로를 가지고 있습니다. 이 모델은 시행착오를 통해 학습하며, 데이터를 완벽하게 혼합하는 방법을 찾기 위해 그 노브들을 미세하게 조정합니다. 이는 음악가가 완벽한 멜로디를 연주할 수 있을 때까지 음계를 연습하는 것과 같습니다.

실험: 시험대에 올리다

연구자들은 전기 사용량, 기상 패턴, 환율 등을 포함한 7개의 실제 데이터 세트를 사용하여 이 모델들을 테스트했습니다. 그들은 모델들에게 다양한 시간 범위, 즉 미래의 96시간, 192시간, 336시간, 그리고 최대 720시간까지를 예측하도록 요청했습니다.

그들이 발견한 결과는 다음과 같으며, 이는 트레이드오프(trade-offs)의 이야기입니다.

1. 훈련된 예술가는 경쟁력이 있다 (하지만 항상 승자는 아니다): 실제로 학습하는 모델인 VQF-F는 강력한 도전자임이 드러났습니다. ETTh1, ETTm2, Electricity와 같은 특정 데이터 세트에서 이 모델은 최고 또는 두 번째로 좋은 결과를 얻었으며, 종종 Autoformer나 Informer와 같은 클래식 거물들을 능가했습니다. 그러나 모든 데이터 세트에서 클래식 모델을 항상 이긴 것은 아닙니다. ETTh2 및 Exchange와 같은 데이터 세트에서는 선두 그룹과 매우 근접했지만 항상 정상의 자리를 차지하지는 못했습니다. 결정적으로, 연구는 "무작위" 방식인 QRC-F가 복잡한 데이터 세트에서 VQF-F보다 현저히 열등하다는 것을 증명했습니다. 이는 비록 매번 모든 시나리오에서 최고의 클래식 모델을 이기지는 못하더라도, 정확도를 위해서는 훈련 가능한 양자 모델이 필요하다는 것을 보여줍니다.
2. 무작위 에코 체임버는 안정적이지만 한계가 있다: QRC-F 모델은 매우 안정적이었으며, 오늘날의 양자 컴퓨터에서 자주 발생하는 "노이즈"가 발생해도 무너지지 않았습니다. 그러나 학습하거나 적응할 수 없기 때문에 복잡한 장기 예측에는 어려움을 겪었습니다. 그것은 신뢰할 만하지만 지루한 계산기와 같았습니다. 작동은 하지만, 퍼즐의 까다로운 부분은 파악하지 못하여 ETTh1 및 Exchange와 같은 데이터 세트에서 VQF-F보다 훨씬 낮은 성능을 보이는 경우가 많았습니다.
3. "장기 전망" 문제: 연구자들은 명확한 한계를 발견했습니다. 모델에게 아주 먼 미래(예: 720시간)를 예측하도록 요청하면, 모델의 예리함이 떨어지기 시작했습니다. 모델은 일반적인 추세(예: "날씨가 따뜻할 것이다")는 맞혔지만, 구체적인 정점과 저점(예: "정오에 24°C이고 자정에 18°C일 것이다")을 예측하는 데는 실패했습니다. 저자들은 이것이 모델의 "리드아웃(readout)" 레이어(양자 신호를 다시 숫자로 번역하는 부분)가 긴 시간의 복잡한 미래를 담아내기에 너무 단순하기 때문이라고 제안합니다. 이는 전체 영화를 오직 주요 줄거리만 기억하여 설명하려는 것과 같습니다. 이야기는 알 수 있지만, 특수 효과는 놓치게 되는 것입니다.

"양자" 마술: 그들은 어떻게 해냈는가

오늘날의 작고 노이즈가 많은 양자 컴퓨터에서 이를 작동시키기 위해, 연구자들은 영리하게 행동해야 했습니다. 데이터를 양자 기계에 그대로 입력할 수는 없었습니다. 대신, 그들은 **양자화(quantization)**라고 불리는 과정을 사용했습니다. 매끄럽고 연속적인 곡선(예: 온도 그래프)을 계단처럼 불연속적인 단계들로 바꾸는 것을 상상해 보십시오. 이는 양자 컴퓨터가 데이터를 처리하기 더 쉽게 만듭니다.

그 후, 그들은 각도 인코딩(angle encoding) 기술을 사용했습니다. 각 데이터 포인트가 라디오의 다이얼이라고 상상해 보십시오. 컴퓨터는 데이터에 따라 특정 각도로 다이얼을 돌립니다. 그런 다음, **얽힘(entanglement)**을 사용하여 이 다이얼들을 서로 꼬아 놓았습니다. 하나의 다이얼을 돌리면 다른 다이얼들도 함께 움직이며, 서로 다른 변수들(예: 바람과 비)이 어떻게 연결되어 있는지를 포착합니다.

마지막으로, 그들은 MIMO(Multiple Input, Multiple Output) 헤드를 사용했습니다. 한 번에 한 시간씩 예측하고 다음 예측이 맞기를 기도하는 대신, 이 헤드는 전체 미래 시퀀스를 한꺼번에 예측합니다. 이는 첫 번째 시간의 작은 실수가 두 번째 시간을 예측 불가능하게 만드는 "오차 누적(error accumulation)" 문제를 방지합니다.

결론: 종착역이 아닌 진전

논문은 좋은 예측을 위해서는 훈련 가능한 양자 모델(VQF-F와 같은)이 필수적이라고 결론짓습니다. 무작위 방식의 비학습 접근법(QRC-F)은 복잡한 실제 데이터를 다루기에는 충분하지 않습니다. VQF-F 모델은 클래식 슈퍼컴퓨터들과 매우 경쟁력 있는 수준임을 입증했으며, 특정 벤치마크에서는 더 적은 자원과 매개변수를 사용하면서도 그들과 대등하거나 약간 능가하는 성능을 보여주었습니다.

그러나 저자들은 한계에 대해서도 솔직합니다. 오늘날의 양자 컴퓨터는 여전히 "노이즈가 많은" 사춘기 시절에 있습니다. 그들은 아직 방대한 양의 데이터를 처리할 수 없습니다. 만약 수천 개의 변수를 가진 거대한 데이터 세트를 모델에 입력하려고 한다면, 수천 개의 양자 비트(큐비트)가 필요하겠지만 현재의 기계들은 수백 개 정도만 가지고 있습니다. 또한 연구자들은 예측 범위가 길어짐에 따라 모델의 정확도가 떨어진다는 점을 언급했는데, 이는 모델이 고장 났기 때문이 아니라, 관리가 가능하도록 미래를 의도적으로 단순화하도록 설계되었기 때문입니다.

요약하자면, 이 논문은 양자 컴퓨터가 미래를 예측하는 데 유용한 파트너가 될 준비가 되어 있지만, 학습이 필요하며(단순 무작위가 아닌), 무거운 작업을 처리하기 위해 스마트한 클래식 컴퓨터와 짝을 이루어야 한다는 것을 시사합니다. 이는 올바른 양자 마술과 클래식 논리의 조합이 있다면, 우리가 곧 이전보다 더 멀리 미래를 내다볼 수 있을 것임을 보여주는 유망한 시작입니다.