양자 강화 트랜스포머를 활용한 적대적 공격에 강인한 단기 전압 안정성 평가

초록

본 연구는 전력 시스템 운영의 핵심인 단기 전압 안정성 평가(STVSA)의 강인성을 향상시키기 위해 ‘QSTAformer’를 제안합니다. 기존 머신러닝 방법의 취약점을 해결하고자 트랜스포머 아키텍처에 매개변수화 양자 회로(PQC)를 접목한 하이브리드 양자-클래식 모델을 개발하였으며, 화이트박스 및 그레이박스 적대적 공격을 방어하기 위한 전용 훈련 전략을 수립했습니다. IEEE 39-버스 시스템에 대한 사례 연구를 통해 기존 방법 대비 경쟁력 있는 정확도, 낮은 복잡도, 그리고 향상된 강인성을 입증하였습니다.

상세 분석

본 논문이 제안하는 QSTAformer의 핵심 혁신은 트랜스포머의 자기 주의 메커니즘 내에 매개변수화 양자 회로(PQC)를 임베딩한 하이브리드 양자-클래식 신경망 아키텍처에 있습니다. 이는 양자 컴퓨팅의 이론적 장점인 고차원 특징 공간에서의 내적 계산 가속화 및 표현력 증가를 STVSA 문제에 적용한 점에서 의미가 깊습니다. 저자들은 다양한 PQC 구조(예: 엔탱글링 레이어, 회전 게이트 구성)를 벤치마킹하여 표현력, 수렴성, 계산 효율성 사이의 트레이드오프를 체계적으로 탐구했습니다. 이는 단순히 양자 요소를 도입하는 것을 넘어, 실제 구현을 고려한 최적화된 양자 회로 설계에 대한 실용적인 통찰을 제공합니다.

또한, 본 연구의 중요한 공헌은 양자 머신러닝(QML) 모델의 ‘적대적 취약성’을 최초로 체계적으로 조사하고 방어 전략을 제안했다는 점입니다. 전력 시스템과 같은 중요 인프라에서는 모델의 정확성뿐만 아니라 악의적 공격에 대한 견고성이 필수적입니다. 저자들은 MI-FGSM, PGD, C&W 공격을 포함한 다양한 적대적 공격 시나리오 하에서 모델을 평가하고, 적대적 훈련을 QSTAformer 학습 프로세스에 통합함으로써 강인성을 극대화했습니다. 이는 QML이 이론적 잠재력만이 아니라 실제 보안 위협 환경에서도 신뢰할 수 있는지 검증하는 중요한 단계입니다.

전체 프레임워크는 준지도 훈련(반훈련 퍼지 C-평균 알고리즘)과 데이터 증강(최소제곱 생성적 적대 신경망) 모듈을 통합하여 데이터의 질과 양을 보강했으며, 이는 소량의 라벨링된 실제 데이터로도 강력한 일반화 성능을 달성하는 데 기여했습니다. 실험 결과, QSTAformer는 LSTM, 그래프 어텐션 네트워크 등 클래식 베이스라인 대비 유사한 정확도를 유지하면서 모델 파라미터 수와 계산 복잡도를 줄이고, 적대적 공격 하에서 현저히 높은 분류 정확도를 보였습니다. 이는 양자 향상 모델이 전력 시스템 안정성 평가 분야에서 보안성, 확장성, 효율성이라는 세 가지 축에서 유망한 해결책이 될 수 있음을 시사합니다.