대규모 언어 모델(LLM)을 수학적 엄밀성을 유지하면서 과학 계산의 연구 도구로 어떻게 활용할 수 있는지 조사한다. LLM을 활용한 대화형 정리 증명 및 발견을 위한 human-in-the-loop 워크플로를 제안한다. 인간 전문가는 문제 형식화와 가정에 대한 통제권을 유지하고, 모델은 증명이나 모순을 탐색하며, 후보 성질과 정리를 제안하고, 수치 실험과 간단한 검증 검사로 뒷받침되는 명시적 제약을 만족하는 구조와 매개변수를 구성하는 데 도움을 준다. 전문가는 이러한 출력을 원재료로 취급하여 더 정교하게 다듬고, 결과를 정밀한 명제와 엄밀한 증명으로 정리한다. 이 워크플로를 다양체 최적화와 Grover의 양자 탐색 알고리즘 사이의 연결에 대한 주요 사례 연구에 구체화한다. 이 파이프라인은 불변 부분공간을 식별하고 Grover 호환 retraction을 탐색한다. 주요 사례 연구는 동반 수학 연구에서 확립된 $O(\sqrt{N} \log(1/\varepsilon))$ PL 기반 상계를 포함하는 해당 Grover 호환 수렴 분석을 사용하여 워크플로의 정교화 단계를 보여준다. 워크플로 구현을 위한 프롬프트 기록과 재사용 가능한 템플릿을 제공한다. 또한 다중 오라클(multi-oracle) 사례 연구를 포함하고, 이 설정에서 발생한 대표적인 실패 및 수정 경로를 문서화하며, 구조화된 실패 모드 분석을 제공한다.
매개변수화된 동역학 시스템에서 희귀 영역 발견은 능동 탐색(active-search) 문제이다. 허용 가능한 후보가 희귀하거나 비볼록(nonconvex)이거나 파편화(fragmented)되어 있더라도, 과학적으로 정의된 정성적 임계값이 넘어지는 하나의 검증된 매개변수를 찾아야 한다. 우리는 Quantum-Classical Phase-space and Stability-Threshold Search(QC-PHAST)를 소개한다. 이는 유한 후보 라이브러리를 위한 증거 게이팅 결정 프로토콜이자 쿼리 회계 프레임워크이다. 후보는 동역학 객체, 시뮬레이터로부터 도출된 임계성 점수, 그리고 검증된 최초 적중(first-hit) 술어(predicate)를 유도한다. 과학적 메타데이터와 충전된(charged) 파일럿 증거를 사용하여, 방정식 인식(equation-aware) 탐색, 스칼라 점수 능동 탐색, 술어만(predicate-only) 탐색, 또는 쿼리 모델 비교만이 허용 가능한지 평가한다. 양자 행(row)은 상속된 Grover/Boyer–Brassard–Hoyer–Tapp(BBHT) unknown-$M$ 표시 집합(marked-set) 쿼리 기준(reference)이다. 이는 새로운 양자 탐색 정리, 구현된(materialized) 회로, 또는 하드웨어 가속(hardware-speedup) 주장이 아니다. 결과는 영역 맵(regime map)이다. 직접 경계 구성, 기하학적 제어(geometry controls), 온라인 시뮬레이터 루프, 그리고 학습된 레이블 회계(learned-label accounting)는 고전 구조, 거짓 양성(false positives), 보정(calibration) 비용, 또는 상태 준비(state preparation)가 쿼리 모델 마진을 지우는 시점을 추가로 식별한다. 따라서 QC-PHAST는 유한 풀 표시 집합 기준이 정보를 제공하는 때와 고전적 또는 자원 인식(resource-aware) 탐색이 지배해야 하는 때를 결정하기 위한 감사 가능한(auditable) 프로토콜이다.
초차원 컴퓨팅(HDC)은 차원 $D$의 고차원 하이퍼벡터(hypervector)를 사용하여 기호를 표현한다. 하이퍼벡터 분해에서는 결합(bound)된 목표 하이퍼벡터로부터 크기 $N$의 코드북(codebook)에서 추출된 $F$개의 구성 하이퍼벡터를 복원하는 것이 목표이다. 이는 $N^F$개의 후보 튜플에 대한 탐색을 필요로 하므로, 대규모에서는 계산적으로 실행이 사실상 불가능하다. 최근의 양자 접근법은 이차적 탐색 이점을 제공하지만, 일반적으로 큐빗 비효율적인 $O(D)$-큐빗 하이퍼벡터 표현에 의존한다. 본 연구는 표현 비용을 $O(\log D)$로 줄이는 HDC 분해를 위한 큐빗 효율적 양자 프레임워크를 제안한다. 이 프레임워크는 대수(logarithmic) 하이퍼벡터 및 결합(binding) 인코딩과, 밀집 하이퍼벡터의 회로 수준 조작을 위한 가역적 하이퍼벡터 조회 연산자를 도입한다. 수정된 Dürr-Høyer 탐색 절차와 결합하면, 이 방법은 $O(\sqrt{N^F})$ 탐색 복잡도를 유지하면서 큐빗 사용량을 크게 줄인다. 실험 결과는 올바른 유사도 계산, 실행 가능한 영역에서의 정확한 분해, 그리고 명시적 $D$-큐빗 하이퍼벡터 인코딩에 기반한 기준선 대비 현저히 개선된 큐빗 스케일링을 검증하며, 최대 $2{,}000\times$ 적은 큐빗을 달성한다.
양자 머신러닝에 대한 관심이 커지면서, 전통적 머신러닝의 기본 구성 요소인 퍼셉트론은 양자 알고리즘의 잠재력을 탐구하는 데 유용한 모델로 부상했다. 본 연구에서는 두 가지 주요 기여를 한다. 첫째, Kapoor et al. (2016)이 제안한 양자 버전 공간(version space) 퍼셉트론 알고리즘을 재검토하며, 잘못된 복잡도 가정을 식별하고 수정한다. 우리는 해당 알고리즘의 쿼리 복잡도(query complexity)가 차원에 의존적임을 보이며, 이는 최악의 경우(worst-case) 고차원 영역에서의 동작에 중요한 함의를 갖는다. 둘째, 퍼셉트론 학습을 위한 두 가지 양자 강화(quantum-enhanced) 절단평면(cutting-plane) 알고리즘을 제안하고 분석한다. 구체적으로, Grover 탐색(Grover's search)과 양자 워크 탐색(quantum walk search)과 같은 기존의 양자 서브루틴을 활용하고, 쿼리 및 산술 복잡도 분석과 함께 상세한 알고리즘 구성을 제공한다. 우리의 결과는 이상화된 구현 프레임워크와 노이즈 없는 양자 계산 모델 하에서 개선된 복잡도 상계를 확립하며, 마진 의존성, 차원 의존성, 양자 자원 간의 트레이드오프에 대한 통찰을 제공한다. 이러한 발견은 양자 퍼셉트론 모델과 그 이론적 계산 복잡도 특성에 대한 정제된 이해를 제공한다.