클라우드 양자 백엔드 노이즈를 그래프 신경망으로 역추적하는 포렌식 프레임워크

초록

본 논문은 클라우드 양자 컴퓨팅 서비스에서 사용자가 볼 수 있는 전사(transpiled) 회로와 백엔드 토폴로지를 이용해, 캘리브레이션 데이터 없이도 미지의 백엔드에 대한 개별 큐비트 및 큐비트 연결 오류율을 추정하는 그래프 신경망(GNN) 기반 포렌식 시스템을 제안한다. IBM 27‑큐비트 디바이스들을 대상으로 구축한 데이터셋으로 학습한 후, 목표 백엔드에 대해 평균 22 %(단일 큐비트)와 18 %(두 큐비트 연결) 정도의 오류율 복원 정확도를 달성했으며, 순위 일치도에서도 높은 Spearman 상관을 보였다.

상세 분석

이 연구는 클라우드 양자 플랫폼의 불투명한 할당·라우팅 정책이 사용자에게 신뢰성 위협을 가한다는 점을 출발점으로 삼는다. 기존 캘리브레이션 기반 방법은 직접적인 측정이 필요하고, 실시간 또는 사후 검증이 어려운 반면, 저자는 전사된 회로가 내부 하드웨어 선택에 대한 간접적인 ‘프로브’ 역할을 한다는 가설을 세운다. 구체적으로, 각 백엔드의 물리적 토폴로지를 그래프 G = (V,E) 로 모델링하고, 다수의 무작위 회로를 동일한 컴파일러 설정(Qiskit) 하에 전사시킨 뒤, (1) 각 물리 큐비트가 사용된 횟수, (2) 특정 연결이 삽입된 SWAP 경로 길이, (3) 게이트 종류별 빈도 등 동적 특징을 정량화한다. 이러한 정적·동적 피처를 노드와 엣지 속성으로 결합해 GNN에 입력한다.

GNN 구조는 메시지 패싱 단계에서 k‑hop 이웃 정보를 집계함으로써, 고차 연결성(예: 라우팅 허브 역할을 하는 큐비트)과 주변 노이즈 수준을 동시에 학습한다. 저자는 노드 회귀와 엣지 회귀를 별도의 모델로 설계했으며, 손실 함수는 실제 캘리브레이션 오류율(p₁ᵩ, p₂ᵩ)과의 평균 제곱 오차(MSE)를 최소화한다. 학습 데이터는 IBM Heron, Kingston, Pittsburgh 등 여러 27‑큐비트 디바이스에서 수천 개의 전사 회로를 수집해 구성했으며, 각 디바이스마다 최신 캘리브레이션 값을 라벨로 사용했다.

실험 결과는 두 가지 관점에서 의미 있다. 첫째, 평균 상대 오차가 단일 큐비트 22 %, 두 큐비트 연결 18 %에 불과해, 실제 오류율(10⁻⁴ ~ 10⁻²) 대비 실용적인 정밀도를 제공한다. 둘째, Spearman 상관계수가 0.85 ~ 0.92 수준으로, 오류율 순위(즉, 어느 큐비트·연결이 상대적으로 약한가)를 정확히 재현한다. 이는 포렌식 목적—예를 들어, 제공자가 주장하는 백엔드와 실제 사용된 백엔드 간 불일치를 탐지—에 충분히 활용 가능함을 시사한다.

또한, 시간에 따른 노이즈 드리프트를 모사한 추가 실험에서 모델의 성능 저하가 미미함을 확인했다. 이는 GNN이 구조적 패턴을 중심으로 학습하기 때문에, 캘리브레이션 값 자체가 변하더라도 전사 회로에 내재된 상대적 사용 빈도는 유지된다는 점을 반영한다.

한계점으로는 (1) 전사 회로 집합의 규모와 다양성이 모델 성능에 크게 영향을 미친다(데이터 부족 시 과소적합 위험); (2) 현재는 IBM 27‑큐비트 디바이스에 국한돼 있어, 다른 아키텍처(예: 트라핀, 이온 트랩)로의 일반화 검증이 필요하다; (3) 전사 과정 자체가 최적화된 라우팅 정책에 의존하므로, 제공자가 의도적으로 라우팅을 교란할 경우(악의적 라우팅) 탐지 능력이 감소할 수 있다.

전반적으로, 이 논문은 양자 클라우드 서비스의 투명성을 강화하기 위한 데이터‑드리븐 포렌식 프레임워크를 최초로 제시했으며, 그래프 신경망을 활용한 하드웨어 노이즈 역추정이 실용적인 수준에 도달했음을 입증한다. 향후 연구는 (i) 다양한 하드웨어 플랫폼에 대한 교차‑도메인 학습, (ii) 실시간 스트리밍 전사 데이터와 결합한 온라인 추정, (iii) 악의적 할당 탐지를 위한 이상 탐지 모듈 통합 등을 통해 포렌식 체계의 신뢰성과 적용 범위를 확대할 수 있을 것이다.