양자 머신러닝(QML)이 의료 분야 예측 모델로 각광받고 있지만, 최근 발표된 연구 결과는 이에 대한 신중한 접근을 요구하고 있습니다. 아카이브(arXiv)에 게재된 논문 'Matched but Not Better'에 따르면, 양자 머신러닝 모델이 6가지 임상 데이터셋에서 고전(classical) 머신러닝 모델보다 우월하다는 유의미한 증거를 찾지 못했습니다. 이 연구는 양자 머신러닝의 잠재력에 대한 기대와 현실적인 성능 사이의 간극을 보여줍니다.
연구팀은 양자 커널 서포트 벡터 머신(QSVM; Quantum-Kernel Support Vector Machine)과 변분 양자 분류기(VQC; Variational Quantum Classifier)를 5가지 튜닝된 고전 모델과 비교했습니다. 모든 모델은 동일한 4가지 구성 요소 입력과 25개의 교차 검증 분할을 사용했으며, AUROC(Area Under the Receiver Operating Characteristic) 점수를 기준으로 성능을 평가했습니다. 그 결과, 양자 모델은 어떤 고전 비교 모델보다도 유의미하게 뛰어난 성능을 보이지 못했습니다. 특히, QSVM은 커널이 일치하는 방사형 기저 함수(RBF; Radial Basis Function) SVM과 AUROC에서 -0.006의 차이를 보였고, VQC는 최고의 고전 모델과 -0.007의 차이를 나타내며 유사한 성능을 기록했습니다. 또한, 양자 모델은 양자 게이트 노이즈(gate noise)보다는 유한 샷(finite-shot) 추정에서 발생하는 비용이 더 컸으며, 대역폭(bandwidth) 튜닝이 제대로 되지 않으면 성능이 크게 저하되는 것으로 나타났습니다.
이번 연구는 양자 머신러닝 기술의 현재 위치를 명확히 보여주며, 임상 예측과 같은 중요한 분야에 적용하기 전에 더 많은 발전이 필요함을 시사합니다. 양자 컴퓨팅 기술이 아직 초기 단계에 있고, 실제 데이터에 적용하기 위한 안정성과 효율성 측면에서 고전 머신러닝 모델에 비해 아직 한계가 있다는 점을 인정한 것입니다. 또한, 연구팀은 QML-Health-READY라는 8개 도메인의 보고 프레임워크를 제안하여, 향후 양자 머신러닝 연구 결과의 신뢰성을 높이는 데 기여하고자 했습니다. 이는 양자 머신러닝의 잠재력을 과대평가하기보다, 현실적인 성능 평가와 투명한 보고 기준 마련이 중요함을 강조합니다.