양자 컴퓨팅 (Quantum computing)은 고전적 접근 방식에 비해 계산적 이점을 제공할 잠재력을 가진, 머신러닝 (ML)을 위한 유망한 계산 패러다임으로 부상했습니다. 현 단계에서는 고전적 모델 대비 양자 머신러닝 (QML) 모델의 성능과 이점을 뒷받침하는 증거가 불충분합니다. 이러한 격차를 해소하기 위해, 본 논문은 QML 모델과 그에 대응하는 고전적 모델의 성능에 대한 경험적 연구를 제시합니다. 우리는 지도 학습 (supervised learning)과 강화 학습 (reinforcement learning)을 아우르는 7가지 모델 쌍을 비교합니다. 연구 결과, 평가된 양자 머신러닝 모델들은 전반적인 예측 성능, 정책 안정성 (policy stability), 또는 훈련 시간 (training time) 측면에서 아직 고전적 베이스라인 (baselines)을 능가하지 못하는 것으로 나타났습니다. 그럼에도 불구하고, QML은 노이즈를 필터링하고 거짓 양성 (false positives)을 제어하는 데 유망한 접근 방식으로 남아 있습니다. 우리의 연구 결과는 하드웨어 환경, 훈련 효율성, 그리고 수렴 안정성 (convergence stability) 전반에 걸쳐 양자 머신러닝이 직면한 과제들을 요약하며, QML의 강건성 (robustness) 및 파라미터 최적화 (parameter optimization) 연구를 위한 토대를 제공합니다. 본 작업은 https://github.com/Z-537-437/QML 에서 공개적으로 이용 가능합니다.