Journal of Intelligence and Information Systems
When Does Quantum Machine Learning Outperform Classical Machine Learning? Identifying Dataset Characteristics That Enable Quantum Advantage
Sungmin Kim, Juntaek Oh, Zichen Luo, Sujin Bae, Ohbyung Kwon
Abstract
양자머신러닝(Quantum Machine Learning, QML)에 대한 기업의 관심이 높아지고 있음에도 불구하고, 조직들은 언제 QML 투자가 고전 머신러닝 대안보다 정당화되는지를 판단할 데이터 기반 프레임워크를 갖추지 못하고 있다. 본 연구는 PRISMA 2020 체계적 문헌고찰을 통해 확인된 35편의 동료심사 연구로부터 추출한 92개 벤치마크 데이터셋을 대상으로, 양자 우위 발현 조건에 대한 최초의 메타분석적 ․ 통계적 검증 연구를 수행함으로써 이러한 공백을 다룬다. 각 데이터셋에 대해 표본 규모, 차원성, 노이즈 수준, 비선형 구조, 특성 간 상관관계를 아우르는 18개의 측정 가능한 데이터 특성을 추출하고, 최고 성능 QML모델과 고전 최신기법(SOTA) 간의 성능 격차(Gap_from_SOTA)를 산출하였다. 비모수 집단비교, HC3 이분산성-강건표준오차를 적용한 다중회귀분석, 그리고 5개 모델(XGBoost, LightGBM, CatBoost, RandomForest, GradientBoosting)에 대한 SHAP 설명가능 인공지능을 활용한 앙상블 머신러닝이라는 세 가지 독립적 분석 방법이 적용되었다. 분석 결과, 노이즈 수준, 비선형성 격차, 최대 특성 간 상관관계가 QML 우위를 결정하는 세 가지 지배적 예측변수로 일관되게 확인되었으며, 5개 앙상블 모델 전반에서 특성 중요도 순위가 동일하게 나타났다. 이들 예측변수로부터 QML이 고전 방법을 능가할 가능성이 높은 조건, 즉 낮은 노이즈, 우호적인 비선형 구조, 약한 특성 간 상관관계를 함께 특징짓는 정량적 의사결정 임계값을 도출하였다. 도메인 분석 결과 에너지/전력 및 기상/기후 분야에서 유의하게 높은 양자 우위가 나타난 반면, 약물/화학 및 금융 분야는 고전 방법에 유리한 것으로 나타났다. 시계열 과제는 QML의 이점이 가장 큰 반면, 다중분류는 고전ML에 유리한 경향을 보였다. 아키텍처 중에서는 QLSTM 계열 모델이 가장 높고 일관된 우위를 달성하였다.