양자머신러닝(QML)은 ‘모든 AI를 혁신하는 기술’이 아니라, 특정 데이터 구조와 계산 단계에서만 가능성이 있는 ‘아직 검증 중인 접근’입니다. QML에서 자주 빠지는 함정 중 하나는 데이터 입력 비용을 무시하는 것입니다. 고전 데이터를 양자 상태로 인코딩하는 과정 자체가 복잡하다면 양자회로 내부의 계산 이점이 전체 시스템의 속도 향상으로 이어지지 않을 수 있습니다.또한 variational quantum circuit에서는 학습 과정의 gradient가 매우 작아지는 barren plateau 문제가 연구되고 있고, 현재 하드웨어의 noise 역시 고려해야 합니다.따라서 QML 결과를 평가할 때는 동일한 데이터셋에서 강력한 고전 머신러닝 모델과 비교하고, 데이터 인코딩과 학습시간까지 포함해 검증하는 ..
