IBM Research, 양자 회로가 두 문제에서 LLM을 능가함을 증명

IBM Research는 2026년 9월 15일, 보고서를 발표했습니다 얕은 양자 회로와 대형 언어 모델 사이의 무조건적인 이론적 구분을 증명하는 작업에 대해: 하나는 기능 문제이고, 하나는 샘플링 문제이며, 얕은 양자 회로가 LLM보다 입증된 이점을 가지고 있습니다.

게시물의 저자란에 Srinivasan Arunachalam, Arkopal Dutt, Hari Krovi, Rik Sengupta, Ryan Mandelbaum이 나열됩니다. 이 글은 Arunachalam, Dutt, Krovi, Sengupta가 저술한 “Separating quantum circuits from classical LLMs” 논문을 설명하며, 이 논문은 arXiv에 게시되었습니다 2026년 8월 4일에 발표되었고, 60페이지에 6개의 그림이 포함되어 있습니다. 초록은 이 연구를 대형 언어 모델 시대에 양자 우위 연구를 시작하는 것으로 프레이밍합니다. 저자들은 결과를 즉각적인 실용성보다는 이론적이라고 설명하며, 현대 LLM 뒤에 있는 성숙하고 대규모 하드웨어와 현재 이용 가능한 오류가 많은 양자 컴퓨터 사이의 격차를 지적합니다.

2018년부터 LLM까지의 연구 흐름

이 연구는 얕은 양자 회로에 관한 연구 흐름을 이어가며, 여기서 회로의 깊이는 큐비트 수가 증가해도 일정하게 유지됩니다. IBM 연구원 Sergey Bravyi, David Gosset, Robert König이 2018년에 Science에 발표한 결과는 일정 깊이의 양자 회로 모델이 비교 가능한 일정 깊이의 고전 회로가 해결할 수 없는 특정 탐색 문제를 해결할 수 있음을 보여주었습니다. 그 이후 몇 년 동안 연구자들은 점점 더 표현력이 풍부한 고전 계산 모델에 대해 그 구분을 꾸준히 강화해 왔으며, 포스트에 따르면 양자 측면은 여전히 얕게 유지되고 있습니다.

계산 작업에서 LLM이 널리 사용되는 점을 고려하여, 저자들은 두 가지 기본 문제 유형에 대한 구분을 추구했습니다. 기능적 문제는 함수의 값을 계산하고 주어진 입력에 대해 올바른 출력을 반환하는 것으로, 예를 들어 프롬프트에 대한 특정 정보를 검색하는 것이 이에 해당합니다. 샘플링 문제는 원하는 확률 분포에 따라 출력을 생성하는 것으로, 프롬프트에 따라 새로운 텍스트나 이미지를 생성하는 것이 예시입니다.

하나의 기능적 구분과 하나의 샘플링 구분

기능적 구분: 반복 인덱스 함수

기능적 경우에 대해, 논문은 GPT, Claude, Llama 등 많은 주요 LLM의 기반이 되는 디코더 전용 트랜스포머에 초점을 맞춥니다. 트랜스포머는 원시 입력을 토큰화하고, 토큰을 벡터 시퀀스로 임베딩한 뒤, 학습된 매개변수와 attention이라 불리는 스케일된 내적 메커니즘을 사용하여 여러 층에 걸쳐 해당 벡터들을 반복적으로 재가중합니다. 디코더 전용 모델은 프롬프트에 따라 새로운 토큰을 순차적으로 생성합니다.

이전 트랜스포머 복잡도 연구에서는 반복 인덱스 함수를 상당한 계산 자원을 요구하는 문제로 식별했습니다. 포스트는 한 책 뒤쪽의 색인 항목이 두 번째 책의 색인 항목을 가리키고, 그 항목이 세 번째 책의 항목을 가리키는 식으로 연속되는 예시를 들어 설명합니다; 이 문제는 여러 책에 걸친 이러한 참조 체인이 최종적으로 어디에서 끝나는지를 묻습니다.

이전 결과를 적용하여 하한을 도출했으며, 이는 반복 인덱스 문제를 해결하려면 트랜스포머가 충분히 큰 계산 자원을 필요로 함을 보여줍니다. 저자들은 이어서 이 문제가 단일 고전 AND 게이트가 추가된 거의 일정 깊이의 양자 회로로 해결 가능하며, 그 깊이를 완전히 일정하게 만들 수 없음을 증명했습니다. 초록에 따르면 해당 함수는 단일 고전 AND 게이트가 이후에 적용되는 O(log log n) 깊이의 QNC^0 회로에서 계산 가능하지만, 이를 계산하는 일정 깊이 디코더 전용 트랜스포머는 폭이 n^Ω(1)이어야 합니다.

샘플링 구분: 패리티와 확산 언어 모델

두 번째 결과는 분포 문제와 관련이 있으며, 가장 잘 알려진 사례는 DALL·E와 Stable Diffusion과 같은 확산 모델이 처리하는 이미지 생성입니다. 논문은 텍스트에 무작위 노이즈를 추가하고 이를 한 단계씩 복원하는 방법을 학습함으로써 훈련되는 확산 언어 모델을 연구합니다; 테스트 시에는 노이즈에서 시작해 원하는 형태가 될 때까지 반복적으로 노이즈를 제거합니다.

여기서 고전적인 문제인 패리티 샘플링은 Bravyi와 공동 연구자들이 2018년에 양자와 고전 얕은 회로를 비교할 때 사용한 문제와 유사합니다. 0과 1로 이루어진 문자열이 주어지면, 패리티는 해당 문자열에 1이 짝수 개 있는지 홀수 개 있는지를 묻습니다. 일정 깊이의 양자 회로는 얽힘과 간섭을 활용해 알 수 없는 문자열의 패리티를 예측하고, 이를 통해 지정된 패리티를 가진 문자열을 효율적으로 샘플링할 수 있습니다.

이전 연구에서는 확산 언어 모델이 이 샘플링 문제의 변형을 해결할 수 있는 정도에 한계가 있음을 보여주었지만, 이러한 결과는 중간 사고(chain-of-thought)를 갖춘 모델을 포함하지 않았습니다. 중간 사고에서는 모델이 중간 토큰을 생성하고 이를 처리하는데, 이는 이전 연구에서 모델의 능력을 크게 향상시키는 것으로 일반적으로 밝혀졌습니다. 저자들은 확산 언어 모델이 어느 정도의 중간 사고에 접근할 수 있더라도 얕은 양자 회로가 생성하는 분포와 효율적으로 일치시킬 수 없음을 증명했습니다. 초록에서는 또한 상수 깊이 QNC^0 회로가 샘플링할 수 있는 분포가 존재하지만, 얕은 스케줄링과 디노이징을 사용하는 상수 라운드 확산 언어 모델은 서브선형 중간 사고와 출력 토큰 수정 및 재마스킹이 허용되더라도 일정 거리 내에서 해당 분포를 샘플링할 수 없다고 명시했습니다.

제한 사항 및 향후 방향

저자들은 이 작업을 확고히 이론적이며 수학적 증명으로 구성된 것으로 설명합니다. 현재 양자 컴퓨터가 능력에 제한이 있고 잡음과 오류에 취약함을 인정하는 한편, 고전 LLM은 대규모 최첨단 컴퓨팅 하드웨어에 접근할 수 있습니다. 이 연구는 양자 시스템이 연구된 특정 문제에서 LLM을 능가할 정확한 규모를 제시하지 않으며, 저자들은 오직 두 시스템을 직접 비교할 경우 점근적으로 양자 회로가 LLM보다 우수할 것이라고만 언급합니다.

저자들은 이 통찰이 양자 시스템과 LLM을 이러한 어려운 문제들에 대해 비교하는 구체적인 벤치마크 마련의 길을 열어주기를 기대한다고 말했습니다. 그들이 제시한 열린 질문 중에는 얕은 양자 회로와 LLM보다 더 강력한 모델을 구분하는 문제는 무엇인지, 그리고 제한이 덜된 양자 회로는 어떻게 비교되는지가 포함됩니다. 그들이 밝힌 장기 목표는 완전 일반적인 양자 계산과 고전 계산 사이의 무조건적인 구분 전체 지형을 도식화하는 것으로, 이는 아직 먼 목표라고 설명합니다.

한편, 저자들은 이 연구가 양자 컴퓨팅을 위한 알고리즘 및 응용 프로그램 개발을 촉진해야 한다고 적었습니다. 이는 연구된 LLM 아키텍처가 도달할 수 없는 일부 문제들이 오류 허용 양자 컴퓨팅의 제한된 모델에서도 해결 가능하기 때문입니다. 저자들은 또한 양자 계산이 궁극적으로 고전 AI 시스템을 보강하여, 그렇지 않으면 훨씬 더 큰 계산 자원을 요구할 작업을 수행하게 할 수 있다는 가능성을 제시했으며, 완전 구현된 하이브리드 양자-고전 계산의 미래에 대해 낙관적인 입장을 표명합니다.