내부자 요약
- Aaronson-Ambainis 추측의 증거는 무작위로 생성된 대부분의 입력에 대해 예 또는 아니요 질문에 답할 때 입력 읽기의 기하급수적인 양자 이점에 구조가 필요하다는 것을 입증합니다.
- PSI는 자사의 연구 시스템이 비공개 인류 모델을 사용하여 증거를 찾았으며 린 증명 보조 장치에서 확인하고 연구원들이 검토했다고 밝혔습니다.
- 정리는 총 컴퓨팅 시간보다는 데이터 읽기를 제한하여 실용적인 양자 이점을 위한 여지를 남겨두고 수학적 경계를 강화하기 위한 추가 작업을 수행합니다.
2008년부터 양자 컴퓨터가 기존 기계에 비해 엄청난 이점을 얻을 수 있으며 구조화되지 않은 입력에서 기존 알고리즘을 능가하는 능력에 한계를 설정하는 것에 대한 추측이 수학적 증거로 해결되었습니다.
이 결과는 수학적 함수에 대한 질문을 양자 컴퓨팅의 핵심 문제인 해결되는 문제에서 극적인 속도 향상에 특별한 구조가 필요한지 여부와 연결하는 Aaronson-Ambainis 추측을 입증합니다.
양자 컴퓨팅의 경우 실질적인 의미는 수학적 또는 물리적 구조가 이점을 제공하는 문제에 대한 양자 알고리즘 연구의 보다 명확한 방향입니다. 이 정리는 어떤 애플리케이션이 유용한 속도 향상을 제공할지 궁극적으로 결정하지는 않지만 해당 접근 방식의 이론적 기반을 강화합니다.
PSI(Physical Superintelligence)의 David Turturean이 git 허브에 게시한 논문에 따르면 알고리즘이 입력에 액세스하는 빈도를 측정하는 널리 사용되는 프레임워크 내에서 대답은 ‘예’입니다. 예 또는 아니요 계산의 경우 기존 알고리즘은 기하급수적으로 더 많은 액세스를 필요로 하지 않고도 가장 균일하게 무작위 입력에 대해 예라고 답할 양자 알고리즘의 확률을 대략적으로 계산할 수 있습니다.
PSI는 동반 블로그 게시물에서 비공개 인류 모델의 인스턴스를 사용하여 내부적으로 개발된 연구 시스템이 실행 3일 만에 완전한 증거를 발견했다고 밝혔습니다. 논문에는 주요 정리와 원래 추측의 공식화가 증명 보조 장치인 Lean에서 공식화되었으며 논리적 단계를 검증하는 소프트웨어 구성 요소인 커널에서 검사되었다고 나와 있습니다.
양자와 고전의 경계
이번 발견은 양자 컴퓨팅과 고전 컴퓨팅 사이의 이론적 경계를 더욱 뚜렷하게 합니다. 컴퓨터가 문제에 제공된 데이터(입력이라고 함)를 읽어야 하는 빈도에 대한 제한을 설정합니다. 이 측정값은 데이터를 처리하는 데 필요한 모든 작업을 설명하지 않으므로 정리는 총 컴퓨팅 시간이나 양자 기계의 상업적 가치에 대한 일반적인 제한을 설정하지 않습니다.
이 추측은 양자 컴퓨팅 문제를 다항식에 대한 진술과 연결한 Scott Aaronson과 Andris Ambainis의 이름을 따서 명명되었습니다. 새로운 논문은 Aaronson의 2008년 강의에 대한 추측을 추적하고 수학과 이론적 컴퓨터 과학의 일련의 결과를 기반으로 합니다.
질문이 중요한 이유 중 하나는 양자 컴퓨팅의 가장 잘 알려진 잠재적 이점이 패턴을 활용한다는 것입니다.
1994년에 소개된 Peter Shor의 인수분해 알고리즘은 양자 계산을 사용하여 반복되는 수학 함수의 주기를 찾습니다. 이러한 접근 방식은 알려진 기존 방법보다 훨씬 빠르게 많은 수를 인수분해하는 경로를 제공합니다. PSI의 블로그에서 설명했듯이 주기적인 패턴은 양자 알고리즘이 활용할 수 있는 구조를 제공합니다.
Aaronson-Ambainis 질문은 그러한 유리한 조건이 없을 때 어떤 일이 발생하는지에 관한 것입니다. 0과 1의 균일한 무작위 문자열이 제시될 때 양자 알고리즘이 여전히 기하급수적인 이점을 얻을 수 있습니까?
쿼리 모델
해당 질문을 연구하기 위해 연구자들은 쿼리 모델을 사용합니다. 컴퓨터가 수행하는 모든 작업을 계산하는 대신 모델은 입력에 대한 정보 요청을 계산합니다. 클래식 쿼리는 선택한 위치에서 비트를 읽습니다. 양자 쿼리는 위치 중첩에 작용할 수 있으므로 알고리즘이 정보를 처리할 때 간섭을 사용할 수 있습니다.
다소 난해하게 들린다면 입력이 닫힌 상자의 행으로 상상해 보세요. 각 상자에는 0이나 1이 들어 있습니다. 클래식 쿼리는 상자 하나를 열고 해당 내용을 읽습니다. 양자 쿼리는 한 번에 여러 상자와 상호 작용할 수 있지만 그 안에 있는 모든 내용을 공개하지는 않습니다. 대신, 양자 알고리즘은 이러한 상호 작용의 효과를 결합하여 숨겨진 패턴과 같은 컬렉션에 대한 정보를 찾아냅니다.
다소 난해하게 들리더라도 프레임워크가 연구자에게 각 종류의 기계에 필요한 정보를 비교할 수 있는 정확한 방법을 제공한다는 점을 아는 것이 더 나을 수 있습니다. 이는 또한 기존 컴퓨터가 양자 컴퓨터가 수행하는 모든 작업을 효율적으로 재현할 수 있다는 주장보다 결과를 더 좁게 만듭니다.
이 논문은 주어진 수의 쿼리를 수행하는 양자 알고리즘에 대해 선택된 작은 부분의 입력을 제외한 모든 항목에 대해 수용 확률(예라고 대답할 확률)을 근사화하는 결정론적 고전 알고리즘이 있음을 입증합니다. 고정된 정확도와 예외적인 입력에 대한 고정 허용을 위해 클래식 쿼리 수는 양자 쿼리 수의 고정된 거듭제곱으로 증가합니다.
즉, 무작위로 생성된 대부분의 입력에 대해 기존 컴퓨터는 데이터를 훨씬 더 많이 읽지 않고도 양자 알고리즘이 ‘예’라고 답할 확률을 추정할 수 있습니다. 결과는 답변을 생성하는 데 필요한 총 시간이 아니라 해당 읽기에 관한 것입니다.
이전 연구는 양자 컴퓨팅과 수학 사이의 중요한 연결 고리를 제공했습니다. 양자 알고리즘이 ‘예’라고 답할 확률은 수학 공식으로 설명할 수 있으며 공식의 복잡성은 알고리즘이 입력을 읽는 빈도에 따라 제한된다는 것을 보여주었습니다.
이 공식은 입력 데이터를 양자 알고리즘이 ‘예’라고 대답할 확률로 변환합니다. 또한 해당 데이터의 다양한 부분이 어떻게 함께 작용하여 답변에 영향을 미치는지 캡처합니다.
Aaronson과 Ambainis는 이러한 양자 알고리즘을 설명하는 수학 공식의 경우 결과가 입력에 따라 의미 있게 달라질 때마다 결과에 측정 가능한 영향을 미치는 입력 데이터가 하나 이상 있어야 한다고 제안했습니다.
이는 기존 컴퓨터에 다음에 어떤 정보를 읽을지 결정할 수 있는 방법을 제공합니다. 데이터의 모든 비트를 검사하는 대신 양자 알고리즘이 ‘예’라고 대답할 확률에 가장 큰 영향을 미치는 비트에 집중할 수 있습니다.
PSI 블로그에 설명된 방법은 기존 컴퓨터가 해당 확률을 설명하는 공식을 이미 알고 있다고 가정합니다. 영향력 있는 비트를 읽고 평가를 업데이트한 다음 다른 비트를 선택합니다. 읽지 않은 데이터가 예측에 거의 영향을 미치지 않으면 중지하고 나머지 가능성에 대한 평균을 계산하여 확률을 추정합니다.
그 추측은 기하급수적으로 더 많은 데이터를 읽지 않고도 이 프로세스가 충분한 진전을 이룰 수 있다는 보장이 없다는 것이었습니다.
보증 제공
보장하는 Turturean의 종이용품입니다. 공식의 복잡성과 결과의 변화 정도를 기반으로 최소한 하나의 입력 비트가 가져야 하는 최소 효과를 설정합니다. 결정적으로 더 많은 입력 비트를 추가한다고 해서 그 자체로 보증이 약화되는 것은 아닙니다.
논문에 따르면, 이전 수학적 결과는 공식이 더욱 복잡해짐에 따라 너무 약한 보증을 제공했습니다. 새로운 결과는 이러한 장애물을 극복하고 추측을 증명하는 데 필요한 관계를 설정합니다.
이 증명은 Shachar Lovett와 Jiapeng Zhang이 개발한 접근 방식을 기반으로 합니다. 그들의 전략은 어떤 입력이 일련의 임계값보다 높거나 낮은 결과를 생성하는지 조사하여 데이터의 변화가 결과에 어떤 영향을 미치는지 연구하는 방법을 제공합니다.
연구에 따르면 중앙 발전은 입력 데이터의 다양한 배열을 일치시키는 새로운 방법입니다. 일치는 배열이 일치하거나 다른 위치에 대한 제한을 따르므로 개별 비트의 변경 사항을 전체 공식 동작에 연결하는 증명이 가능합니다. 이는 David Reimer의 Butterfly Lemma로 알려진 초기 수학적 결과를 강화합니다.
이 논문은 또한 Lovett와 Zhang이 제안한 한 가지 수학적 주장이 명시된 일반적인 형태로 유지되지 않는다는 사실을 발견했습니다. 새로운 증거는 해당 주장을 다른 결과로 대체하면서 더 넓은 전략을 유지합니다.
이러한 발전은 양자 컴퓨팅 문제의 더 좁은 버전에 대한 최근의 진전에 따른 것입니다. PSI의 블로그에 따르면 스탠포드 대학 연구원인 Guy Blanc, Jordan Docter, Carmen Strassle 및 Li-Yang Tan은 2026년 8월에 양자 알고리즘이 고정된 라운드 수로 제한되고 각 라운드에서 여러 읽기가 허용되는 경우 무작위 입력에 대한 데이터 읽기에서 기하급수적인 절감을 달성할 수 없음을 보여주었습니다.
PSI는 해당 연구자들이 전체 증거를 읽고 의견을 제공하며 전문가를 위한 짧은 설명을 준비하고 있다고 말했습니다. 이 논문은 그들의 기여를 인정합니다.
이 작업은 Lean이 수행한 점검을 보완합니다. 소프트웨어는 공식화된 증명이 수학적 규칙을 따르는지 확인하는 반면, 연구자는 추론을 조사하고 그것이 작동하는 이유를 설명하며 그 의미를 평가할 수 있습니다.
이 논문은 또한 AI가 발견에 어떻게 기여했는지 설명합니다. 인류 모델의 여러 사례는 기존 연구, 제안된 아이디어, 결합된 접근 방식 및 테스트된 주장을 검색했습니다. 일부 사례는 Turturean이 개발한 연구 시스템 내에서 다른 작업과 협력했습니다.
Turturean은 문제를 선택 및 정의하고 시스템을 운영하며 모델이 결과를 첫 번째 초안으로 모으도록 유도했습니다. 논문 공개에 따르면 그는 초안을 직접 검토하고 편집했으며 그 정확성에 대해 책임을 진다.
논문의 발견 일정에 따르면 첫 번째 완전한 증거는 실행 3일째에 나타났습니다. 최종 버전보다 약한 보증으로 추측을 해결했습니다.
모델 인스턴스가 관련 미해결 문제를 조사하도록 지시된 후 수학적 범위가 두 배로 향상되었습니다. 부록에 따르면 초기 증명과 두 가지 개선 사항 모두 Lean에서 확인되었습니다.
이 계정에는 상당한 AI 지원 발견이 기록되어 있지만 시스템이 다른 오랜 문제를 얼마나 일관되게 해결할 수 있는지는 입증되지 않았습니다. 실행에 사용된 모델은 비공개이며, 작업은 인간이 개발하고 운영하는 연구 시스템에 의존했습니다.
한계와 향후 작업
양자 컴퓨팅 결과에도 중요한 한계가 있습니다.
이를 통해 기존 컴퓨터는 선택한 오류 한계 내에서 무작위로 생성된 대부분의 입력에 대해 양자 알고리즘이 ‘예’라고 답할 확률을 추정할 수 있습니다. 모든 입력에 대한 정확한 추정을 보장하거나 모든 종류의 양자 계산을 재현하는 방법을 보여주지는 않습니다.
결과는 컴퓨터가 데이터를 읽어야 하는 빈도와도 관련이 있습니다. 읽을 비트를 결정하거나 답을 계산하는 데 필요한 모든 작업을 설명하지 않습니다.
이는 실제로 기존 컴퓨터에서 상대적으로 적은 양의 읽기가 필요하지만 여전히 읽기 간에 많은 양의 계산을 수행하는 경우에 나타날 수 있습니다. 또한 이 논문의 명시적인 보증은 특히 매우 정확한 추정이 필요한 경우 상당한 수의 읽기를 허용합니다. 비용이 기하급수적인 증가를 방지한다는 사실을 확립한다고 해서 반드시 그 방법이 실용적이지는 않습니다.
따라서 정리는 구조화되지 않은 입력에 대한 보다 적당한 속도 향상과 유용한 구조 문제에 대한 극적인 이득을 포함하여 실질적인 양자 이점을 위한 여지를 남겨 둡니다.
추가 수학적 질문에 관해서는 이 논문은 입력 비트가 얼마나 영향력이 있어야 하는지에 대해 가능한 가장 강력한 보장을 설정하지 않습니다. 이러한 보증을 개선하면 기존 컴퓨터에 필요한 읽기 수에 대한 제한이 강화될 수 있습니다.
원고는 또한 직접 구성을 통해 중앙 일치 단계를 달성할 수 있는지 묻습니다. 현재 증명은 대수적 인수를 통해 적절한 일치가 존재한다는 것을 입증합니다. 직접적인 방법을 사용하면 추론의 해당 부분을 더 쉽게 이해하고 사용할 수 있습니다.
추측이 해결되면 연구자들은 더 날카로운 한계를 추구하고 증명 방법이 수학과 컴퓨팅의 다른 문제에 대해 무엇을 드러내는지 조사하기 위해 향후 연구에 참여할 수 있습니다.
