인공지능 기술인 기계학습의 성능은 계산복잡도와 학습복잡도의 두가지 지표로 나타나는데, 양자컴퓨팅 기술의 도입으로 많은 경우에 계산복잡도가 O(poly(N)) 에서 O(polylog(N)) 으로 저감된다는 것이 알려져 있습니다. 또한 특정한 기계학습 문제에 있어 추론의 성능이 개선되어 상대적으로 학습복잡도도 낮출 수 있는 가능성도 보이고 있습니다. 양자기계학습 알고리즘 기초 이론에 따르면 완벽한 양자컴퓨터를 활용할 수 있다면 기하급수적 이득이 있는 양자 우위가 예측됩니다. 하지만 현재의 양자컴퓨팅 기술 단계는 NISQ, 즉 연산결과에 오류가 있고 그다지 크지 않은 양자컴퓨터 수준에 머무르고 있어, 과연 이러한 양자컴퓨터가 현재의 수퍼컴퓨터보다 더 훌륭한 성과를 얻을 수 있는가를 확인하는 것이 매우 중요한 연구개발 마일스톤이 되고 있습니다.  

본 과제에서는 첫 번째 목표로 수퍼컴퓨터, 즉 튜링머신, 보다 우수한 연산능력을 보유한 NISQ 컴퓨팅 기반 기계학습 알고리즘을 개발하게 됩니다. 이를 위해서 복잡도가 높은 문제를 매우 단순화된 알고리즘으로 계산하는 VQA (variational quantum analysis) 방법을 도입하여 실용적인 NISQ 기계학습 알고리즘을 연구합니다. 두번째 목표로 기존 양자기계학습의 핵심적 단점인 학습 모델의 붕괴를 극복하는 것입니다. 순수한 양자기계학습 알고리즘은 학습을 통해 얻어진 모델이 양자정보로 얻어지게 되는데, 이것은 1회 추론 계산 밖에 할 수 없는데 이 문제점 또한 VQA 방법론으로 극복할 수 있습니다. 세번째 목표는 양자오류완화 기술을 개발하여 NISQ 컴퓨팅의 실용적 효과를 극대화하는 것입니다. 양자 오류 완화 기술을 양자회로와 측정에 적용하여 NISQ 기계학습의 성능을 극대화하게 됩니다.  

향후 10년간은 NISQ 컴퓨팅 기술 개발이 어느 정도의 양자 이득을 줄 수 있는가에 따라 양자컴퓨팅 기술 분야의 본질적인 성패를 가리게 됩니다. NISQ 컴퓨팅의 대표적인 응용인 양자기계확습 연구에서 성공적인 성과를 얻게 되면, NISQ 기계학습으로 튜링머신 기반 AI를 대체할 수 있는 포텐셜을 확인하게 될 것으로 기대합니다.