[논문 리뷰] Quantum Deep Learning: A Comprehensive Review

Yanjun Ji, Zhao-Yun Chen외 11명|arXiv (Cornell University)|2026. 02. 26.

Quantum Computing Algorithms and Architecture인용 수 0

한 줄 요약

이 논문은 양자 딥 러닝(QDL)을 정의하고, 네 가지 패러다임 분류법(하이브리드 양자-고전 모델, 양자 딥 뉴럴 네트워크, DL 프리미티브를 위한 양자 알고리즘, 양자 영감의 고전 알고리즘)을 제시하며, foundations, architectures, implementations, 및 응용을 검토하고 현실적인 자원 제약 아래 양자 우위에 대해 비판적 시각으로 고찰한다.

ABSTRACT

Quantum deep learning (QDL) explores the use of both quantum and quantum-inspired resources to determine when deep learning's core capabilities, such as expressivity, generalization, and scalability, can be enhanced based on specific resource constraints. Distinct from broader quantum machine learning, QDL emphasizes compositional depth at the pipeline level and the integration of quantum or quantum-inspired components within end-to-end workflows. This review provides an operational definition of QDL and introduces a taxonomy comprising four primary paradigms: hybrid quantum-classical models, quantum deep neural networks, quantum algorithms for deep learning primitives, and quantum-inspired classical algorithms. Theoretical principles are connected to advanced architectures, software toolchains, and experimental demonstrations across superconducting, trapped-ion, photonic, semiconductor spin, and neutral-atom systems, as well as quantum annealers. Claims of quantum advantage are critically assessed by distinguishing provable complexity-theoretic separations from empirical observations. The analysis characterizes trade-offs between model expressivity, trainability, and classical simulability, while systematically detailing the bottlenecks imposed by optimization landscapes, input-output access models, and hardware constraints. Applications are surveyed in domains encompassing image classification, natural language processing, scientific discovery, quantum data processing, and quantum optimal control, underscoring fair benchmarking against optimized classical counterparts and a comprehensive assessment of resource requirements. This review serves as a tutorial entry point for graduate students while guiding readers to specialized literature. It concludes with a verification-aware roadmap to transition QDL from near-term demonstrations to scalable and fault-tolerant implementations.

연구 동기 및 목표

• QDL에 대한 작동 정의와 네 가지 주요 패러다임의 통합 분류 체계를 제공한다.
• QDL과 관련된 이론, 아키텍처, 소프트웨어 도구 체인, 그리고 하드웨어 플랫폼을 종합한다.
• 명시된 자원 모델과 벤치마킹 프로토콜 하에서 양자 우위 주장에 대해 비판적으로 평가한다.
• 단기 시연에서 오류 허용(fault-tolerant)이고 확장 가능한 QDL 구현으로의 로드맵을 제시한다.

제안 방법

• 학습 파이프라인 수준에서 구성적 깊이와 명시적 자원 모델에 중점을 두어 QDL을 정의한다.
• 네 가지 패러다임으로 QDL을 분류한다: quantum-inspired 알고리즘, 하이브리드 양자-고전 모델, DL 프리미티브를 위한 양자 알고리즘, 그리고 양자 딥 뉴럴 네트워크.
• 데이터 인코딩 전략, PQC 아키텍처, 그리고 엔드-투-엔드 하이브리드 양자-고전 최적화 루프를 조사한다.
• 하드웨어 플랫폼(초전도, 트랩 아이온, 포토닉스, 중성 원자 등), 소프트웨어 도구 체인, 그리고 실험적 시연을 검토한다.
• 이론적 한계, 학습 가능성 문제(예: 배런 플래토), 그리고 고전적인 기반선과의 공정한 벤치마킹에 대해 논의한다.
• 다섯 계층의 QDL 구현 스택과 네 기둥 벤치마킹 프로토콜을 제안한다.

실험 결과

연구 질문

• RQ1 현실적인 접근성, 잡음, 벤치마킹 제약에서 엔드투엔드 양자 유용성이 살아남을 수 있는 환경은 어떤 regime들인가?
• RQ2 산재한 문헌을 통합하기 위해 QDL을 어떻게 정의하고 분류해야 하는가?
• RQ3 QDL 아키텍처에서 표현력, 학습가능성, 그리고 고전적 시뮬레이션 가능성 사이의 트레이드오프는 무엇인가?
• RQ4 최적화된 고전 기반선과 자원 인식 평가와의 공정한 비교를 보장하는 벤치마킹 관행은 무엇인가?
• RQ5 근접 시연에서 오류 허용 구현으로의 QDL 전환 로드맵은 무엇인가?

주요 결과

• QDL은 적어도 하나의 양자 또는 양자 영감 구성 요소가 목표나 업데이트 규칙의 중심에 있는 구성적 학습 아키텍처와 계층적 깊이로 정의된다.
• 네 가지 패러다임의 QDL이 존재한다: 양자 영감 고전 알고리즘, 하이브리드 양자-고전 모델, DL 프리미티브를 위한 양자 알고리즘, 그리고 양자 딥 뉴럴 네트워크로, 양자 컴포넌트의 중심성 증가 순으로 정렬된다.
• QDL의 엔드투엔드 평가에는 명시적 자원 계약과 최적화된 고전 기반선에 대한 공정한 벤치마킹이 필요하다.
• 하드웨어 및 소프트웨어의 성숙은 NISQ 휴리스틱에서 오류 허용 체제로의 전환을 가능하게 하며, 여러 플랫폼에 걸친 인코딩된 로지컬 큐비트와 오류 수정의 진전에 기여하고 있다.
• 현실적 제약 하에서 QDL 성능을 평가하기 위한 엄격한 다섯 계층 구현 스택과 네 기둥 벤치마킹 프로토콜이 제안된다.