고전 데이터 처리 및 머신러닝 분야에서 널리 적용 가능한 양자 우위(quantum advantage)를 입증하는 것은 오랜 기간 근본적인 미해결 문제였습니다. 본 연구에서는 폴리로그(polylogarithmic) 크기의 소형 양자 컴퓨터가 샘플을 실시간(on the fly)으로 처리함으로써 대규모 고전 데이터에 대한 대규모 분류(classification) 및 차원 축소를 수행할 수 있음을 증명합니다. 반면, 동일한 예측 성능을 달성하는 임의의 고전 컴퓨터는 기하급수적으로 더 큰 크기를 필요로 합니다. 나아가, 요구되는 크기보다는 작지만 기하급수적으로 큰 고전 컴퓨터라 하더라도 초다항식적(superpolynomially)으로 더 많은 샘플과 시간을 필요로 합니다. 저자들은 단일 세포 RNA 시퀀싱 및 영화 리뷰 감성 분석(sentiment analysis)을 포함한 실제 응용 분야에서 이러한 양자 우위의 증거를 제시하며, 60개 미만의 논리 큐비트로 크기를 4~6 자릿수(orders of magnitude) 감소시킬 수 있음을 입증합니다. 이러한 양자 우위는 무작위 고전 데이터 샘플만을 사용하여 양자 중첩 상태에서 고전 세계에 접근하는 알고리즘인 양자 오라클 스케칭(quantum oracle sketching)을 통해 가능해집니다. 고전적 그림자(classical shadows)와 결합된 본 알고리즘은 데이터 로딩 및 판독(readout) 병목 현상을 우회하여 대규모 고전 데이터로부터 간결한 고전 모델을 구축하며, 이는 해당 양자 컴퓨터보다 기하급수적으로 크지 않은 고전 컴퓨터로는 불가능함이 증명된 과제입니다. 이러한 양자 우위는 고전 컴퓨터에 무제한의 시간이 주어지거나 BPP = BQP인 경우에도 유지되며, 오직 양자역학의 정확성에만 의존합니다. 종합적으로, 본 연구 결과는 고전 데이터 기반 머신러닝이 양자 우위의 광범위하고 자연스러운 영역이자 복잡도 경계에서 양자역학을 검증하는 근본적인 테스트임을 확립합니다.
양자 프로세서와 고전 프로세서를 연결하는 것은 full-stack 양자 알고리즘에서 중요한 서브루틴이다. 소위 ``classical shadow'' 방법은 양자 상태에서 필수적인 고전 정보를 효율적으로 추출하여, 소수의 측정만으로 양자 시스템의 많은 성질을 예측할 수 있게 한다. 그러나 고도로 비국소적인 관측량이 소수인 경우, 또는 고전 후처리 능력이 제한된 경우 classical shadow 방법이 항상 가장 효율적인 선택은 아니다. 본 연구에서는 classical shadow와 직접 양자 측정을 비교하는 full-stack 자원 분석을 수행하여 이 문제를 정량적으로 다룬다. 특정 가정 하에서, 우리 분석은 정보 추출 단계에서 classical shadow와 직접 양자 측정 사이의 효율성 경계(efficiency frontier)를 보여준다. 파울리 행렬의 선형 결합으로 표현된 관측량의 경우, 관측량의 수가 많고 파울리 가중치가 작을 때 classical shadow 방법이 직접 측정보다 우수한 성능을 보인다. 대규모 에르미트 희소 행렬 형태의 관측량의 경우, 관측량 수, 행렬의 희소성, 큐비트 수가 특정 범위 내에 있을 때 classical shadow 방법이 이점을 보인다. 이 동작에 영향을 미치는 주요 매개변수로는 큐비트 수 $n$, 관측량 $M$, 희소성 $k$, 파울리 가중치 $w$, 정확도 요구사항 $ε$, 실패 허용치 $δ$가 있다. 또한 다양한 유형의 양자 컴퓨터에서 두 방법의 자원 소비를 비교하고, classical shadow 방법이 더 효율적이 되는 손익분기점(break-even point)을 식별하며, 이는 하드웨어에 따라 달라진다. 본 논문은 하이브리드 양자-고전 토모그래피(tomography)를 위한 최적 전략을 정량적으로 설계하는 새로운 길을 열고, 실제 응용에서 가장 적합한 양자 측정 접근법을 선택하기 위한 실용적 통찰을 제공한다.