재생에너지 프로파일 군집화 차원 저주 극복을 위한 광학 양자 컴퓨터 기반 클러스터링

초록

본 논문은 태양광(PV) 프로파일을 대상으로, 커널 기반 유사도 행렬을 이징 모델의 해밀토니안에 매핑하고 이를 QUBO 형태로 변환해 광학 양자 컴퓨터인 Coherent Ising Machine(CIM)에서 해결함으로써 차원 저주(CoD)를 회피한다. 실제 400‑qubit CIM 실험에서 계산 시간은 3 ms 수준으로 변수 수에 거의 영향을 받지 않으며, 실루엣 점수도 기존 K‑means·K‑medoids와 동등한 수준을 보였다.

상세 분석

이 논문은 재생에너지 프로파일 군집화를 NP‑hard 문제로 정의하고, 기존의 이산 최적화가 차원 저주에 의해 급격히 비효율적이 되는 점을 지적한다. 이를 해결하기 위해 저자들은 먼저 군집화 목적함수 H_obj = ½∑{i,j} d{i,j} δ(y_i,y_j) 를 이진 변수 x_{g,i} (프로파일 i가 군집 g에 속함) 로 전환하고, 제약식 ∑g x{g,i}=1을 페널티 항 λ_i로 변형한다. 이렇게 얻어진 2차식은 QUBO 형태로 표현될 수 있다.

핵심 아이디어는 커널 트릭을 적용해 Euclidean 거리 d_{i,j} 대신 Gaussian 커널 기반 유사도 g_{i,j}=k_{i,j}−… 를 사용함으로써 고차원 특징 공간에서 군집 내 유사성을 극대화한다는 점이다. g_{i,j} 행렬을 G라 두고, 이를 이용해 H_kernel_obj = -∑{i,j} g{i,j} x_{g,i} x_{g,j} 로 정의한다. 이때 G의 대각 성분과 상삼각 성분을 분리해 QUBO 행렬 Q = (−G_diag−2G_u)⊗I + Λ⊗(2O−I) 로 구성한다.

이 QUBO는 이징 모델 H_Ising = ∑{i<j} J{i,j}s_i s_j + ∑_i h_i s_i 와 동형이며, 따라서 Coherent Ising Machine에 직접 입력 가능하다. CIM은 DOPO 네트워크를 이용해 광학적으로 스핀 상태를 탐색하고, 광 펄스가 광섬유 캐비티를 한 바퀴 도는 시간(≈3 ms)만큼의 고정된 연산 시간을 가진다. 논문은 이 특성을 “컴퓨팅 시간은 변수 수와 무관하게 거의 일정”하다고 강조하며, 이는 차원 저주를 물리적으로 회피하는 메커니즘으로 해석한다.

실험에서는 400 qubit CIM을 사용해 5080개의 PV 프로파일을 25개의 군집으로 나누는 네 가지 시나리오를 수행했다. 비교 대상은 MATLAB K‑means, K‑medoids, 클래식 시뮬레이션 양자 어닐링(SQA), 그리고 Gurobi 기반 브랜치‑앤‑바운드 최적화이다. 결과는 다음과 같다. (1) 계산 시간: CIM은 3 ms~3.1 ms 사이로 변수 수가 늘어나도 변동이 없었으며, 반면 고전 알고리즘은 O(N^2) 혹은 O(N^3) 수준으로 급증했다. SQA는 비트‑레벨 시뮬레이션이라 수백 ms에서 수초까지 걸렸고, Gurobi는 300 s 제한 내에 280·400 변수 경우에 수렴하지 못했다. (2) 군집 품질: 실루엣 점수는 K‑means·K‑medoids와 비슷하거나 약간 낮았지만, 이는 커널 공간에서 intra‑group 유사성을 최적화했기 때문이며, 실제 intra‑group 거리 분포는 더 컴팩트했다. 또한 σ 파라미터 민감도 실험에서 σ≈0.5에서 최고 성능을 보이며, 과도하게 작거나 큰 σ는 성능 저하를 일으켰다.

논문은 현재 CIM 하드웨어의 스핀 수 제한과 양자 디코히런스 문제를 인정하면서, 하이브리드 분할 기법(Benders, ADMM, subQUBO)과 머신러닝 기반 프리프로세싱을 통해 확장성을 향상시킬 방안을 제시한다. 또한 실시간 전력 시스템 최적화(동적 부하 집합, 빠른 제어)와 같이 밀리초 수준의 응답이 요구되는 응용 분야에서 CIM의 장점이 두드러진다고 주장한다.

전반적으로 이 연구는 (1) 커널 기반 군집화를 QUBO로 정형화, (2) 광학 양자 컴퓨터인 CIM을 이용해 차원 저주를 물리적으로 회피, (3) 실제 400 qubit 장비에서 실험적으로 검증이라는 세 축을 성공적으로 결합했다는 점에서 의미가 크다. 다만, 현재는 400 qubit 수준까지의 문제만 다룰 수 있고, 최적화 정확도는 기존 고전 알고리즘에 비해 약간의 트레이드오프가 존재한다는 점을 고려해야 한다. 향후 더 많은 qubit과 오류 보정 기술이 도입되면, 대규모 전력 시스템의 복합 최적화 문제에 대한 실용적 적용이 기대된다.