질문-답변 검색에서 주요 신경망 구조는 복잡한 단어 매칭 레이어로 구성된 순환 또는 합성곱 인코더를 기반으로 합니다. 최근의 구조적 혁신은 대부분 새로운 단어 상호작용 레이어나 주의기반 매칭 메커니즘에 초점을 맞추고 있어, 이러한 구성 요소들이 우수한 성능을 위해 필수적이라는 사실이 잘 알려져 있습니다. 그러나 이러한 복잡한 메커니즘이 발생시키는 메모리와 계산 비용은 실용적인 응용 프로그램에서는 바람직하지 않습니다. 따라서 본 논문은 간단한 신경망 구조로도 경쟁력 있는 성능을 달성할 수 있는지에 대한 문제를 다룹니다. 우리는 빠르고 효율적인 질문-답변 순위 결정 및 검색을 위한 간단하면서도 혁신적인 딥러닝 구조를 제안합니다. 특히, 제안된 모델인 \textsc{HyperQA}는 Attentive Pooling BiLSTMs와 Multi-Perspective CNNs 등과 같은 파라미터 집약적인 모델보다 여러 QA 벤치마크에서 더 우수한 성능을 보입니다. \textsc{HyperQA}의 혁신성은 질문과 답변 임베딩 사이의 관계를 유클리드 공간 대신 쌍곡선 공간에서 모델링하는 쌍별 순위 목적함수에 있습니다. 이는 우리의 모델에게 자가 조직화 능력을 부여하고, 질문과 답변의 임베딩을 학습하는 동안 잠재적 계층구조를 자동으로 발견할 수 있게 합니다. 우리의 모델은 특징 공학, 유사도 행렬 매칭, 복잡한 주의 메커니즘, 과도하게 파라미터화된 레이어 없이도 여러 벤치마크에서 이러한 기능들을 갖춘 많은 모델들보다 우수하거나 경쟁력을 유지합니다.