양자클래식 혼합 CNN을 활용한 유방 종양 이진 분류 혁신

초록

본 논문은 BreastMNIST 데이터셋을 대상으로 고전적 CNN과 파라미터를 동일하게 맞춘 하이브리드 양자‑클래식 CNN(QCNN)을 설계·평가한다. 네 개의 큐비트를 이용한 진폭 인코딩 VQC와 각도 인코딩 원형 얽힘 VQC 두 개의 양자 회로를 병렬로 배치해 양자 특징을 추출하고, 이를 클래식 컨볼루션 특징과 융합해 최종 분류기에 전달한다. 동일 학습 조건에서 5회 반복 실험 결과, QCNN이 통계적으로 유의한 정확도 향상을 보였으며(p = 0.03125, Cohen’s d = 2.14) 양자 얽힘과 특징 융합이 의료 영상 분류에 실질적 이점을 제공함을 입증한다.

상세 요약

본 연구는 양자 머신러닝이 고차원 의료 영상 데이터의 특징 추출에 기여할 수 있음을 실증하기 위해, 두 종류의 변분 양자 회로(VQC)를 병렬로 결합한 하이브리드 구조를 제안한다. 첫 번째 회로는 진폭 인코딩 방식을 채택해 입력 이미지의 픽셀 값을 큐비트 진폭에 직접 매핑하고, 파라미터화된 회전 게이트와 CNOT 얽힘 게이트를 통해 다중 차원의 양자 상태를 생성한다. 두 번째 회로는 각도 인코딩을 사용해 이미지 정보를 회전 각도로 변환하고, 원형(링) 형태의 얽힘 토폴로지를 적용해 인접 큐비트 간 상호작용을 강화한다. 이 두 회로는 각각 4개의 큐비트와 6개의 파라미터화된 레이어로 구성되어, 제한된 양자 하드웨어에서도 실행 가능하도록 설계되었다.

양자 회로의 출력은 측정 후 기대값 벡터로 변환되며, 이는 클래식 CNN의 마지막 풀링 층에서 얻은 128차원 특징 벡터와 연결(concatenation)된다. 이렇게 형성된 256차원 결합 특징은 완전 연결층과 시그모이드 활성함수를 거쳐 이진 분류 결과를 도출한다. 중요한 설계 포인트는 ‘파라미터 매칭(parameter‑matched)’이다. 기존 클래식 CNN의 전체 파라미터 수와 동일하게 양자 회로의 파라미터 수를 조정함으로써, 성능 차이가 양자 레이어 자체의 기여도에 의해 발생했음을 보장한다.

학습 과정은 Adam 옵티마이저와 binary cross‑entropy 손실 함수를 사용했으며, 배치 크기 32, 학습률 1e‑3, 에포크 50으로 동일하게 설정하였다. 데이터는 BreastMNIST의 70 %를 훈련, 15 %를 검증, 15 %를 테스트로 무작위 분할했으며, 5번의 독립 실행을 통해 평균 및 표준편차를 보고한다. 통계 검증은 일방향 Wilcoxon signed‑rank test을 적용했으며, p‑값 0.03125는 95 % 신뢰수준에서 유의함을 나타낸다. 효과 크기 Cohen’s d = 2.14는 매우 큰 차이를 의미한다.

실험 결과, QCNN은 평균 정확도 92.3 %를 기록했으며, 동일 파라미터 클래식 CNN은 86.7 %에 머물렀다. 정밀도·재현율·F1‑score에서도 QCNN이 전반적으로 우수했으며, 특히 악성 종양을 놓치는 false‑negative 비율이 감소한 점이 임상적 의미가 크다. 양자 회로별 기여도를 분석한 바에 따르면, 원형 얽힘을 포함한 각도 인코딩 VQC가 진폭 인코딩 VQC보다 더 큰 성능 향상을 제공했으며, 두 회로를 병렬로 결합했을 때 시너지 효과가 관찰되었다.

한계점으로는 현재 4‑큐비트 회로에 국한된 스케일, 시뮬레이터 기반 실험, 그리고 양자 노이즈를 고려하지 않은 점을 들 수 있다. 향후 연구에서는 더 많은 큐비트와 깊은 양자 레이어를 활용한 확장, 실제 양자 하드웨어에서의 잡음 견고성 테스트, 그리고 다중 클래스(예: 악성·양성·정상) 분류로의 확장이 필요하다. 또한, 양자 특징 융합 방식을 다른 의료 영상(예: CT, MRI) 및 비전 트랜스포머와 결합하는 방안도 탐색될 수 있다.

요약하면, 본 논문은 양자 얽힘과 두 가지 인코딩 방식을 병렬로 활용한 특징 융합이 기존 클래식 CNN 대비 의미 있는 성능 향상을 가져올 수 있음을 실증했으며, 통계적 검증 프레임워크를 제시함으로써 향후 양자‑클래식 하이브리드 모델의 객관적 평가 기준을 마련했다.