사진:아이스톡
양자 컴퓨팅의 실용화를 향한 여정에서 새로운 분산 학습 기술이 주목받고 있다. 중국 저장대학교(浙江大学)와 영국 임페리얼칼리지런던(Imperial College London) 공동 연구팀은 최근 ‘견고한 분산 양자 커널 학습(Robust Decentralized Quantum Kernel Learning, 이하 RDQKL)’을 제안하며, 잡음과 적대적 공격에 강인한 양자 머신러닝(Quantum machine learning, QML) 시스템 구현 가능성을 실험적으로 입증했다고 지난 18일(현지시간) 발표했다.
기존의 양자 커널 학습은 고차원 힐베르트 공간에 데이터를 임베딩하여 고전적인 모델보다 표현력이 뛰어난 결과를 기대할 수 있는 방법으로 각광받아왔다. 그러나 실제 양자 하드웨어는 노이즈에 매우 취약하며, 이로 인해 모델 성능이 크게 저하되는 문제가 꾸준히 제기되어 왔다. 특히, 여러 양자 컴퓨팅 장치가 동시에 참여하는 분산 환경에서는 각 장치의 잡음 수준이 다르거나, 악의적인 행위자가 잘못된 정보를 전달할 경우 전체 학습 과정이 불안정해질 수 있다는 점이 큰 과제로 남아 있었다.
양자 컴퓨팅 환경에서의 분산형 머신러닝 시나리오에 대한 개요:여러 양자 컴퓨팅 유닛(QU)이 공유된 머신러닝 작업을 협력하여 학습을 가속화하거나 데이터 프라이버시를 보존한다. 이러한 개방형 환경에서 특정 노드는 높은 노이즈나 악의적인 행동으로 인해 학습 과정이 방해받을 수 있다.(출처:논문)
이러한 문제를 해결하기 위해 연구진은 강건한 분산 최적화 기법을 기반으로 하는 RDQKL 프레임워크를 제안했다. RDQKL은 잡음에 강인할 뿐만 아니라, 의도적으로 정보를 왜곡하는 공격에도 효과적으로 대응할 수 있는 구조를 갖추고 있다. 그 핵심은 클리핑(clipping) 기반의 모델 집계 방식에 있다. 각 노드가 수신하는 정보를 일정 임계값 이상 반영하지 않도록 제한함으로써, 극단적인 이상값이나 공격으로부터 전체 모델을 보호한다.
실험은 두 가지 데이터셋을 통해 진행되었다. 첫 번째는 2차원 체커보드 패턴을 따르는 인공 데이터셋이고, 두 번째는 MNIST 손글씨 숫자 데이터를 자동 인코더(autoencoder)를 이용해 2차원으로 축소한 실세계 데이터셋이다. 이들은 각각 링 구조와 완전 연결 구조의 네트워크 상에서, 노드 간 정보 교환을 통해 분산 학습을 수행하는 환경으로 설정되었다.
결과는 주목할 만했다. 전체 노드가 정상적인 노이즈 수준(p̃ = 0.05%)을 유지할 때, RDQKL은 중앙 집중형 방식에 비해 학습 수렴 속도가 3~4배 이상 빠르면서도, 유사하거나 더 높은 정확도를 기록했다. 분산 방식은 각 노드가 자체 데이터를 유지한 채 협업하는 구조이기 때문에, 사생활 보호 측면에서도 큰 이점을 제공한다. 특히 훈련과 테스트를 전역 데이터에 대해 수행한 경우 정확도가 93.33%를 상회했다.
잡음이 있는 환경에서 변분 매개변수를 갖는 양자 특징 매핑 회로다. 이 회로는 순차적으로 중첩 계층, 임베딩 계층, 학습 가능한 매개변수 계층으로 나눌 수 있다. 중첩 계층은 각 큐비트에 하다마르 게이트를 적용하여 중첩 상태를 만든다. 임베딩 계층은 i번째 큐비트에 xi 각도로 z축 회전을 적용하여 정보 x를 작동 시스템에 임베딩한다. 학습 가능한 매개변수 계층은 각 큐비트에 적용되는 y축 회전과 얽힘을 만들고 정보를 브로드캐스트하기 위한 링 브로드캐스트 계층을 포함한다. 각 양자 게이트 다음에는 탈분극 잡음 채널이 이어진다.(출처:논문)
일부 노드의 노이즈가 현저히 높은 경우에도 RDQKL의 성능은 안정적으로 유지되었다. 예를 들어 하나의 노드에서 노이즈가 p̃ = 5%로 설정되었을 때도 나머지 정상 노드들은 평균 95%에 가까운 정확도를 기록했으며, 전체 학습 수렴 시간도 중앙 집중형 방식보다 여전히 짧았다. 이는 고노이즈 노드에서 발생하는 그래디언트가 매우 작아 학습 과정에 실질적인 영향을 거의 미치지 않기 때문이다.
RDQKL은 또한 적대적 공격 시나리오에서도 견고한 모습을 보였다. 가우시안 공격(Gaussian attack)과 부호 반전 공격(Sign-flipping attack)을 가정한 실험에서는, 방어 전략이 없을 경우 학습 정확도가 50% 수준까지 급락했지만, 클리핑 기반의 집계 규칙을 적용한 RDQKL은 이를 90% 이상 수준으로 회복시켰다. 공격을 방어하면서도 학습 속도는 기존 방식보다 우수했으며, 특히 가우시안 공격에 대해서는 훈련과정이 거의 영향을 받지 않는 수준으로 유지됐다.
실험은 페니레인(Pennylane) 플랫폼을 기반으로 수행됐으며, 기본 백엔드는 디폴트.mixed 시뮬레이터였다. 노이즈는 디폴러라이징 모델로 구성됐고, 학습 회로는 8개의 양자 회로 층으로 구성된 구조가 사용됐다. 각 층은 초퍼지션, 임베딩, 파라미터 학습 단계로 나뉘며, 모든 게이트는 잡음 채널과 결합되어 있다. 이같이 현실적인 조건을 반영한 시뮬레이션은 RDQKL의 실질적 활용 가능성을 뒷받침한다.
연구진은 이번 결과를 바탕으로 향후 RDQKL을 실환경 문제에 적용해볼 계획이다. 특히 전력 시스템, 디지털 트윈, 사이버 보안이 중요한 스마트 그리드 분야에서 유망한 도구로 작용할 수 있을 것으로 기대된다. 또한 신뢰할 수 없는 노드가 존재하거나, 하드웨어 성능이 상이한 환경에서도 안정적인 협업 학습이 가능하다는 점에서, 분산 양자 학습의 새로운 전환점을 제시한 것으로 평가받고 있다.
지금까지는 양자 머신러닝이 이론 중심의 연구에 머무르는 경우가 많았지만, RDQKL은 현실적인 제약을 고려한 구조적 개선을 통해 실용화를 앞당길 수 있는 중요한 발판을 마련했다. 이러한 기술이 향후 양자 컴퓨팅의 분산 응용 가능성을 확장하고, 데이터 프라이버시와 보안이 중시되는 분야에서 핵심 역할을 할 수 있을지 주목된다.
출처 : 양자신문 / 최광현기자 (https://www.quantumtimes.net/news/articleView.html?idxno=54888)
사진:아이스톡
양자 컴퓨팅의 실용화를 향한 여정에서 새로운 분산 학습 기술이 주목받고 있다. 중국 저장대학교(浙江大学)와 영국 임페리얼칼리지런던(Imperial College London) 공동 연구팀은 최근 ‘견고한 분산 양자 커널 학습(Robust Decentralized Quantum Kernel Learning, 이하 RDQKL)’을 제안하며, 잡음과 적대적 공격에 강인한 양자 머신러닝(Quantum machine learning, QML) 시스템 구현 가능성을 실험적으로 입증했다고 지난 18일(현지시간) 발표했다.
기존의 양자 커널 학습은 고차원 힐베르트 공간에 데이터를 임베딩하여 고전적인 모델보다 표현력이 뛰어난 결과를 기대할 수 있는 방법으로 각광받아왔다. 그러나 실제 양자 하드웨어는 노이즈에 매우 취약하며, 이로 인해 모델 성능이 크게 저하되는 문제가 꾸준히 제기되어 왔다. 특히, 여러 양자 컴퓨팅 장치가 동시에 참여하는 분산 환경에서는 각 장치의 잡음 수준이 다르거나, 악의적인 행위자가 잘못된 정보를 전달할 경우 전체 학습 과정이 불안정해질 수 있다는 점이 큰 과제로 남아 있었다.
이러한 문제를 해결하기 위해 연구진은 강건한 분산 최적화 기법을 기반으로 하는 RDQKL 프레임워크를 제안했다. RDQKL은 잡음에 강인할 뿐만 아니라, 의도적으로 정보를 왜곡하는 공격에도 효과적으로 대응할 수 있는 구조를 갖추고 있다. 그 핵심은 클리핑(clipping) 기반의 모델 집계 방식에 있다. 각 노드가 수신하는 정보를 일정 임계값 이상 반영하지 않도록 제한함으로써, 극단적인 이상값이나 공격으로부터 전체 모델을 보호한다.
실험은 두 가지 데이터셋을 통해 진행되었다. 첫 번째는 2차원 체커보드 패턴을 따르는 인공 데이터셋이고, 두 번째는 MNIST 손글씨 숫자 데이터를 자동 인코더(autoencoder)를 이용해 2차원으로 축소한 실세계 데이터셋이다. 이들은 각각 링 구조와 완전 연결 구조의 네트워크 상에서, 노드 간 정보 교환을 통해 분산 학습을 수행하는 환경으로 설정되었다.
결과는 주목할 만했다. 전체 노드가 정상적인 노이즈 수준(p̃ = 0.05%)을 유지할 때, RDQKL은 중앙 집중형 방식에 비해 학습 수렴 속도가 3~4배 이상 빠르면서도, 유사하거나 더 높은 정확도를 기록했다. 분산 방식은 각 노드가 자체 데이터를 유지한 채 협업하는 구조이기 때문에, 사생활 보호 측면에서도 큰 이점을 제공한다. 특히 훈련과 테스트를 전역 데이터에 대해 수행한 경우 정확도가 93.33%를 상회했다.
잡음이 있는 환경에서 변분 매개변수를 갖는 양자 특징 매핑 회로다. 이 회로는 순차적으로 중첩 계층, 임베딩 계층, 학습 가능한 매개변수 계층으로 나눌 수 있다. 중첩 계층은 각 큐비트에 하다마르 게이트를 적용하여 중첩 상태를 만든다. 임베딩 계층은 i번째 큐비트에 xi 각도로 z축 회전을 적용하여 정보 x를 작동 시스템에 임베딩한다. 학습 가능한 매개변수 계층은 각 큐비트에 적용되는 y축 회전과 얽힘을 만들고 정보를 브로드캐스트하기 위한 링 브로드캐스트 계층을 포함한다. 각 양자 게이트 다음에는 탈분극 잡음 채널이 이어진다.(출처:논문)
일부 노드의 노이즈가 현저히 높은 경우에도 RDQKL의 성능은 안정적으로 유지되었다. 예를 들어 하나의 노드에서 노이즈가 p̃ = 5%로 설정되었을 때도 나머지 정상 노드들은 평균 95%에 가까운 정확도를 기록했으며, 전체 학습 수렴 시간도 중앙 집중형 방식보다 여전히 짧았다. 이는 고노이즈 노드에서 발생하는 그래디언트가 매우 작아 학습 과정에 실질적인 영향을 거의 미치지 않기 때문이다.
RDQKL은 또한 적대적 공격 시나리오에서도 견고한 모습을 보였다. 가우시안 공격(Gaussian attack)과 부호 반전 공격(Sign-flipping attack)을 가정한 실험에서는, 방어 전략이 없을 경우 학습 정확도가 50% 수준까지 급락했지만, 클리핑 기반의 집계 규칙을 적용한 RDQKL은 이를 90% 이상 수준으로 회복시켰다. 공격을 방어하면서도 학습 속도는 기존 방식보다 우수했으며, 특히 가우시안 공격에 대해서는 훈련과정이 거의 영향을 받지 않는 수준으로 유지됐다.
실험은 페니레인(Pennylane) 플랫폼을 기반으로 수행됐으며, 기본 백엔드는 디폴트.mixed 시뮬레이터였다. 노이즈는 디폴러라이징 모델로 구성됐고, 학습 회로는 8개의 양자 회로 층으로 구성된 구조가 사용됐다. 각 층은 초퍼지션, 임베딩, 파라미터 학습 단계로 나뉘며, 모든 게이트는 잡음 채널과 결합되어 있다. 이같이 현실적인 조건을 반영한 시뮬레이션은 RDQKL의 실질적 활용 가능성을 뒷받침한다.
연구진은 이번 결과를 바탕으로 향후 RDQKL을 실환경 문제에 적용해볼 계획이다. 특히 전력 시스템, 디지털 트윈, 사이버 보안이 중요한 스마트 그리드 분야에서 유망한 도구로 작용할 수 있을 것으로 기대된다. 또한 신뢰할 수 없는 노드가 존재하거나, 하드웨어 성능이 상이한 환경에서도 안정적인 협업 학습이 가능하다는 점에서, 분산 양자 학습의 새로운 전환점을 제시한 것으로 평가받고 있다.
지금까지는 양자 머신러닝이 이론 중심의 연구에 머무르는 경우가 많았지만, RDQKL은 현실적인 제약을 고려한 구조적 개선을 통해 실용화를 앞당길 수 있는 중요한 발판을 마련했다. 이러한 기술이 향후 양자 컴퓨팅의 분산 응용 가능성을 확장하고, 데이터 프라이버시와 보안이 중시되는 분야에서 핵심 역할을 할 수 있을지 주목된다.
출처 : 양자신문 / 최광현기자 (https://www.quantumtimes.net/news/articleView.html?idxno=54888)