⚛️ quantum physics

Benchmarking Quantum and Classical Machine Learning Models on Oncological Data

이 논문은 다양한 종양학 데이터셋을 대상으로 양자 머신러닝과 고전적 머신러닝을 평가하기 위해 Red Cedar 프레임워크와 AutoML로 최적화된 고전적 모델을 사용하는 엄격한 벤치마킹 방법론을 제시하며, 양자 우위의 증거를 발견하지 못하였고 향후 발전을 위해 더 높은 차원의 생물학적으로 현실적인 데이터에 집중할 필요가 있음을 시사한다.

원저자: Sydney Leither, Thomas Lubinski, Michael Kubal, Sonika Johri

게시일 2026-08-13

📖 2 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Sydney Leither, Thomas Lubinski, Michael Kubal, Sonika Johri

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

당신이 빛, 소리, 그리고 살아있는 세포로 만들어진 조각들로 이루어진 거대하고 무질서한 퍼즐을 풀려고 노력하고 있다고 상상해 보세요. 이것이 바로 머신러닝(machine learning)의 세계입니다. 머신러싱은 컴퓨터가 데이터에서 패턴을 찾아내어 예측을 수행하는 법을 배우는 과학의 한 분야로, 예를 들어 의료 스캔을 바탕으로 환자가 암에 걸렸는지 추측하는 것과 같습니다. 보통 이 컴퓨터들은 '고전적(classical)'입니다. 즉, 당신의 책상 위에 있는 노트북처럼 작동한다는 뜻입니다. 이들은 정보를 한 번에 한 단계씩 매우 빠르게 처리하지만, 퍼즐 조각이 너무 많거나 조각들이 너무 복잡해지면 압도당할 수 있습니다.

여기에 양자 컴퓨팅(quantum computing)이 등장합니다. 이것을 마법 같은 새로운 종류의 퍼즐 해결사라고 생각해 보세요. 단순히 '예' 또는 '아니오'를 결정하는 스위치가 아니라, 이들의 조각(큐비트라고 불림)은 중첩(superposition)이라는 기묘한 물리학적 기술 덕분에 동시에 여러 상태에 있을 수 있습니다. 또한 이들은 '얽힘(entangled)' 상태가 될 수도 있는데, 이는 서로 연결되어 있어 아무리 멀리 떨어져 있어도 하나를 변화시키면 다른 하나에게 즉각적인 영향을 미친다는 것을 의미합니다. 과학자들은 이 마법이 가장 불가능해 보이는 의료 퍼즐들을 단 몇 초 만에 해결하게 해줄 것이라고 희망하며, 이를 '양자 우위(quantum advantage)'라는 꿈이라 부릅니다. 하지만 여기서 중요한 질문이 생깁니다. 이 마법이 지금 당장 의료 데이터에 실재하는 것일까요, 아니면 아직 기술을 익히지 못한 반짝이는 장난감에 불과한 것일까요?

이 논문은 진지한 현실 점검입니다. Cascade Quantum Inc.의 한 팀은 추측을 멈추고 테스트를 시작하기로 했습니다. 그들은 세포 측정값이 담긴 단순한 스프레드시트, 복잡한 유전체 '오믹스(omics)' 데이터, 그리고 의료 영상이라는 세 가지 서로 다른 유형의 실제 암 데이터를 사용하여, 자신들의 가장 뛰어난 양자 모델을 최고의 고전 모델들과 맞붙게 할 공정한 '아레나(arena)'를 구축했습니다. 그들은 복잡한 생물학적 데이터를 양자 컴퓨터가 이해할 수 있는 언어로 번역하기 위해 '비트-비트 인코딩(bit-bit encoding)'이라는 특별한 방법을 사용했으며, 고전 컴퓨터가 승리할 수 있도록 동일한 번역 방식과 최적의 설정을 제공했습니다.

결과는 어땠을까요? 수천 번의 시뮬레이션을 실행한 후, 저자들은 양자 모델이 고전 모델보다 더 뛰어나다는 증거를 발견하지 못했습니다. 사실, 양자 모델은 고전 모델과 거의 똑같이 성능을 보였으며, 두 모델 모두 이론적으로 도달 가능한 정확도의 한계를 일관되게 뛰어넘지 못했습니다. 이 논문은 현재까지 사용된 데이터 세트들이 양자 컴퓨터의 초능력을 보여주기에는 너무 작고 단순하다고 제안합니다. 이는 마치 포뮬러 1 자동차를 조용한 동네 골목길에서 테스트하려는 것과 같습니다. 자동차는 놀랍지만, 그 길은 그 성능을 입증할 만큼 도전적이지 않은 것입니다. 저자들은 진정한 '양자 우위'를 보기 위해서는 현재 구하기 어려운 훨씬 더 크고 복잡하며 현실적인 생물학적 데이터 세트를 찾아야 한다고 결론지었습니다. 그때까지는 고전 컴퓨터들이 여전히 제 몫을 다하고 있습니다.

기술 요약: 종양학 데이터에 대한 양자 및 고전 머신러닝 모델의 벤치마킹

문제 정의
머신러닝은 탐지, 진단 및 치료를 위해 종양학 데이터에 점점 더 많이 적용되고 있습니다. 그러나 생물학적 데이터는 고차원성, 제한된 샘플 다양성, 복잡한 특징 간의 상호작용(즉, "차원의 저주")을 포함한 독특한 과제를 안고 있습니다. 양자 머신러닝(QML)은 이러한 복잡하고 고차원적인 데이터를 처리하는 데 있어 이론적으로 이점을 제공할 것으로 제안되지만, 실질적인 양자 우위를 입증하는 엄격한 경험적 평가는 부족한 실정입니다. 기존 연구들은 성능의 한계가 최적화 문제(예: barren plateaus, 로컬 미니마)에서 기인하는지, 아니면 모델의 내재적 표현력이나 데이터 인코딩 방식에서 기인하는지를 명확히 구분하지 못하는 경우가 많습니다. 또한, 기존 연구의 고전적 베이스라인들은 종종 고정된 하이퍼파라미터로 학습되어, 그들의 최적 성능이 실제로 실현되었는지에 대한 의문을 남깁니다.

방법론
저자들은 표 형식(tabular), 오믹스(omics), 공간적(spatial) 종양학 데이터셋 전반에 걸쳐 QML과 고전 머신러닝(CML) 모델을 공정하게 비교하기 위한 엄격한 벤치마킹 프레임워크를 개발했습니다. 본 연구는 Red Cedar 양자 머신러닝 프레임워크와 AutoML로 최적화된 고전 신경망을 활용했습니다.

데이터셋: 연구는 세 가지 범주의 데이터를 평가했습니다:
1. 표 형식(Tabular): 위스콘신 유방암 진단(WDBC) 데이터셋.
2. 오믹스(Omics): 유방암(BRCA), 결장암(COAD), 난소암(OV)에 대한 The Cancer Genome Atlas(TCGA)의 유전체 mRNA 발현 데이터.
3. 공간적(Spatial): MedMNIST(BreastMNIST, PathMNIST, DermaMNIST) 기반 의료 영상 데이터셋.
전처리: 저자들은 무작위 포레스트(Random Forest) 특징 선택(표 형식/오믹스 데이터용) 및 ResNet18 특징 추출(공간 데이터용)을 포함한 다양한 전처리 전략을 테스트했습니다.
양자 모델:
- 인코딩: 연구에서는 큐비트 초기화 및 판독에 해당하는 비트로 샘플을 고전적으로 인코딩하는 방법인 bit-bit 인코딩을 채택했습니다. 이 접근 방식은 보편적 근사(universal approximation) 특성을 제공하여, 모델이 표현력 제약 없이 이론적으로 100% 훈련 정확도에 도달할 수 있게 합니다.
- 아키텍처: 레이블 큐비트와 데이터 큐비트 사이에 매개변수화된 얽힘 노드(entangling nodes)를 갖춘 계층적 이분(layered bipartite) 구조를 사용했습니다.
- 학습: 모델은 Red Cedar 프레임워크의 서브넷 초기화(sub-net initialization) 및 **정확한 좌표 업데이트(exact coordinate updates)**를 사용하여 학습되었습니다. 이 점진적 웜 스타트(warm-start) 전략은 barren plateaus를 방지하고 고전적 최적화 도구의 필요성을 제거합니다. 학습은 100% 훈련 정확도에 도달하거나 5일의 시간 제한에 도달할 때까지 계속되었습니다.
고전 베از라인(Classical Baseline):
- AutoML: TPOT2 라이브러리를 사용하여 최적의 신경망 구조와 하이퍼파라미터를 진화시킴으로써, 고전적 베이스라인이 저최적화 상태가 되지 않도록 보장했습니다.
- 비교 단계: 고전 모델은 원시 데이터, 전처리된 데이터, 그리고 bit-bit 인코딩된 데이터(사전 이산화 및 이산화된 데이터 모두 포함) 상에서 학습되어 데이터 표현 방식에 따른 공정한 비교를 수행했습니다.
자원 추정: 이론적 지표인 $Q_{dataset}(1.0)$ 이 계산되었습니다. 이는 데이터셋을 인코딩하는 데 필요한 큐비트 수를 나타내며, 100% 훈련 및 테스트 정확도가 이론적으로 가능하도록(즉, 이산화된 공간에서 충돌이 발생하지 않도록) 설정되었습니다. 고전 시뮬레이션 능력의 정체 지점을 기준으로, 잠재적 양자 우위를 판단하기 위한 휴리스틱으로서 50 큐비트 임계값을 사용했습니다.

주요 결과

양자 우위의 증거 없음: 테스트된 모든 데이터셋(WDBC, TCGA 오믹스, MedMNIST 공간 데이터)과 전처리 방법에서 양자 모델은 AutoML으로 최적화된 고전 신경망을 능가하지 못했습니다. 두 모델 클래스의 테스트 정확도는 표준 오차 범위 내에서 통계적으로 구분이 불가능했습니다.
학습 성능: 모든 양자 모델은 100% 훈련 정확도에 성공적으로 도달했으며, 이는 학습 방법론이 barren plateaus와 같은 최적화 문제를 효과적으로 피했음을 확인시켜 줍니다. 따라서 양자 우위의 부재가 학습 실패 때문은 아닙니다.
일반화: 큐비트 수가 증가함에 따라, 특히 데이터 복잡성이 높은 경우 양자 모델과 고전 모델 모두 이론적 최대 테스트 정확도에 일관되게 도달하지 못했습니다.
자원 추정 결과:
- WDBC 및 오믹스: WDBC(~~14–15 큐비트)와 오믹스 데이터셋(~~15–20 큐비트)에 대한 $Q_{dataset}(1.0)$ 값은 50 큐비트 임계값보다 훨씬 낮았으며, 이는 해당 데이터셋들이 양자 우위의 유망한 후보가 아님을 시사합니다.
- 공간 데이터셋: 일부 공간 데이터셋(예: Flattened BreastMNIST)은 50 큐비트 임계값에 근접하거나 초과했으나, 결과는 전처리 방법(ResNet18 vs. Flattening)에 따라 일관되지 않았으며, 이는 대개 데이터 처리 아티팩트(artifact)에 기인한 것으로 간과되었습니다.
전처리에 대한 강건성: 자원 추정 프레임워크는 전처리에 대해 강건함을 보였습니다. 오믹스 데이터의 경우, 무작위 포레스트 특징 선택을 통해 특징을 99.8% 줄였음에도 불구하고, $Q_{dataset}(1.0)$ 은 전처리 전후 데이터 간에 통계적으로 유의미한 차이를 보이지 않았습니다.

의의 및 주장
본 논문은 모델 크기에 따른 성능 스케일링을 체계적으로 분석하고, AutoML로 최적화된 공정한 고전 베이스라인을 사용함으로써 양자 우위를 평가하기 위한 더 엄격한 프레임워크를 구축했다고 주장합니다. 주요 결론은 현재 양자 머신러닝 문헌에 존재하는 벤치마크 데이터셋들은 종양학적 분류를 위한 양자 우위의 증거를 보여주지 못한다는 것입니다.

저자들은 분야가 기존의 벤치마크를 넘어서야 한다고 주장합니다. 그들은 실질적인 양자 우위를 향한 의미 있는 진전은 양자 계산 특성을 활용하는 데 필요한 표현력과 고차 상호작용을 가진 고차원적이고 생물학적으로 더 현실적인 데이터셋(예: 멀티 오믹스, 멀티 모달 또는 시계열 데이터)을 분석하는 데서 시작된다고 제안합니다. 본 연구는 접근 가능한 복잡한 오픈 소스 생물학적 데이터의 부족이 생명 과학 분야에서 양자 유용성을 입증하는 데 장벽이 되고 있음을 강조합니다.

유사한 논문