양자컴퓨팅 기반 저비용 미세먼지 센서 보정 시스템 Q‑SCALE

초록

본 논문은 저비용 광학 미세먼지 센서의 보정을 위해 딥러닝(FFNN, LSTM)과 양자머신러닝(VQR, QLSTM) 네 가지 모델을 비교한다. 하이퍼파라미터 최적화와 교차 검증을 통해 성능을 평가한 결과, 전통적인 FFNN이 L1 손실 2.92로 가장 낮은 오차를 보였으며, QLSTM은 LSTM(손실 2.77)보다 약간 우수한 2.70의 손실을 기록하면서 파라미터 수는 66개에 불과해 효율성을 입증했다.

상세 분석

이 연구는 스마트 시티 환경에서 대기오염 모니터링의 핵심인 저비용 광학 미세먼지 센서의 보정 문제를 양자컴퓨팅과 머신러닝을 융합해 해결하고자 한다. 먼저 기존 딥러닝 모델인 Feed‑Forward Neural Network(FFNN)와 Long Short‑Term Memory(LSTM)를 구현하고, 각각의 최적 구조를 찾기 위해 학습률, 은닉층 수, 뉴런 수 등 다중 하이퍼파라미터 탐색을 수행하였다. FFNN은 상대적으로 단순한 구조에도 불구하고 데이터의 비선형성을 충분히 포착해 테스트 셋에서 L1 손실 2.92를 달성했으며, 이는 변동성이 큰 PM2.5 시계열 데이터에 대한 강건성을 보여준다. LSTM은 시간 의존성을 모델링하는 데 특화돼 있었지만, 파라미터 수가 482개에 달해 학습 비용이 크게 증가했고, 최종 손실은 2.77로 FFNN보다 약간 높은 결과를 보였다.

양자 모델 측면에서는 Variational Quantum Regressor(VQR)와 Quantum LSTM(QLSTM)을 설계하였다. VQR은 입력 데이터를 각도 임베딩(angle embedding)으로 양자 상태에 매핑하고, Strongly Entangling Layers를 이용해 다중 큐비트 간 얽힘을 강화한다. 두 가지 아키텍처(선형·비선형)를 시험했지만, 현재 NISQ 디바이스의 잡음과 제한된 큐비트 수 때문에 최적화가 어려웠으며, 테스트 손실은 4.81로 고전 모델에 비해 열위에 있었다. 반면 QLSTM은 기존 LSTM의 게이트 구조를 양자 회로(VQC)로 대체함으로써 동일한 시계열 처리 흐름을 유지하면서 파라미터 수를 66개로 크게 축소했다. 양자 회로는 Rx 회전과 강한 얽힘 레이어를 포함해 데이터 인코딩‑변분‑측정 단계로 구성되며, 파라미터‑시프트 규칙을 이용한 양자 그래디언트 하강법으로 학습된다. 결과적으로 QLSTM은 손실 2.70을 기록해 LSTM보다 약간 우수했으며, 파라미터 효율성 측면에서 현저한 이점을 보여준다.

이 논문은 양자 모델이 아직은 하드웨어 제약으로 인해 정확도에서 고전 모델을 완전히 추월하지 못하지만, 파라미터 효율성과 잠재적 계산 속도 향상이라는 두드러진 장점을 제공한다는 점을 강조한다. 또한, 양자 회로 설계 시 비선형 임베딩을 도입하면 함수 근사 능력이 크게 향상될 수 있음을 시사한다. 향후 더 많은 큐비트와 저노이즈 양자 디바이스가 확보된다면, QLSTM과 같은 하이브리드 모델이 실시간 센서 보정 및 대규모 IoT 네트워크에 적용될 가능성이 높다.