노이즈 중간 규모 양자 하드웨어에서 레이더 마이크로도플러 분류를 위한 실용적인 양자 커널 방법 평가

초록

본 연구는 레이더 마이크로도플러 신호에서 추출한 15차원 특징을 PCA로 차원 축소한 뒤, 4‑qubit ZZFeatureMap을 이용해 양자 커널을 생성하고 QSVM으로 헬리콥터·프로펠러·제트 3종 항공기를 분류한다. 시뮬레이터와 IBM Torino(133‑qubit)·IBM Fez(156‑qubit) 실제 NISQ 디바이스에서 실험을 수행했으며, QSVM이 클래식 RBF‑SVM과 비슷한 정확도(≈95 %)를 달성함을 보였다. 하드웨어 실험에서는 측정 샷 수, 디코히런스, 게이트 오류가 커널 추정에 미치는 영향을 정량화하고, 최신 Heron r2 아키텍처가 이전 세대보다 안정성과 피델리티가 향상됨을 확인하였다.

상세 분석

이 논문은 레이더 마이크로도플러(Micro‑Doppler) 신호의 비선형 특성을 양자 커널을 통해 효과적으로 모델링하려는 시도를 체계적으로 검증한다. 먼저 15개의 통계·스펙트럼·시간‑주파수 특징을 STFT 기반으로 추출하고, PCA를 적용해 설명 분산 80 % 이상을 유지하는 4개의 주성분을 선택한다. 차원 축소는 양자 회로에 필요한 큐비트 수를 최소화하면서도 정보 손실을 억제하는 핵심 단계이며, 2‑reps의 ZZFeatureMap을 사용해 각 주성분을 파라미터화된 Rz 회전과 전역적인 ZZ 상호작용으로 인코딩한다. 회로 깊이는 32, 전체 게이트 수는 57로 얕아 NISQ 디바이스의 제한된 코히런스 시간 내에 실행 가능하도록 설계되었다.

양자 커널 K_q(x,x′)=|⟨ϕ(x)|ϕ(x′)⟩|²는 양자 회로를 두 번 실행해 측정 결과의 빈도 비율로 추정한다. 논문은 샷 수를 1024, 2048, 4096으로 변동시켰을 때 커널 행렬의 변동성 및 최종 분류 정확도의 민감도를 정량화한다. 샷 수가 증가할수록 통계적 노이즈가 감소해 정확도가 0.5 % 정도 향상되지만, 디바이스 고유의 게이트 오류와 읽기 오류가 지배적인 경우에는 샷 수 증대만으로는 한계가 있음을 보여준다.

시뮬레이터에서는 이상적인 커널 추정이 가능해 4‑qubit QSVM이 94.81 %의 정확도를 기록했으며, 이는 전체 15‑차원 RBF‑SVM(≈93 %)과 거의 동등하거나 약간 우수한 수준이다. 실제 IBM Torino와 IBM Fez에서 수행한 실험에서는 각각 92.3 %와 93.7 %의 정확도를 얻었는데, 이는 하드웨어마다 차이가 나는 양자 잡음과 큐비트 연결 구조(토리노는 2‑D 토폴로지, 페즈는 3‑D 토폴로지) 때문으로 해석된다. 특히 최신 Heron r2 아키텍처(Fez에 적용)에서는 CNOT 오류율이 0.5 % 이하로 낮아져 커널 행렬의 조건수가 개선되고, 분류 경계가 더 안정적으로 형성되었다.

오류 완화 기법으로는 측정 오류 보정, 제로‑노이즈 extrapolation(ZNE), 그리고 회로 재배치를 통한 CNOT 최소화가 적용되었으며, 이들 기법을 조합했을 때 평균 정확도가 1 % 정도 상승한다. 그러나 여전히 양자 회로 깊이가 30 이상이면 코히런스 시간 초과로 인해 커널 추정이 불안정해지는 한계가 존재한다. 따라서 현재 NISQ 단계에서는 얕은 회로와 적은 큐비트 수(≤4)로 제한된 문제에 양자 커널이 실용적일 수 있지만, 대규모 고차원 데이터에 바로 적용하기엔 하드웨어 성능 향상이 필수적이다.

이 연구는 레이더 신호 처리라는 실세계 응용 분야에 양자 머신러닝을 적용한 최초 사례 중 하나로, 양자 커널이 클래식 커널과 경쟁할 수 있음을 실험적으로 입증한다. 동시에 노이즈 모델링, 샷 최적화, 오류 완화 전략 등 실용적인 구현 세부사항을 제시함으로써 향후 양자‑클래식 하이브리드 파이프라인 설계에 중요한 지침을 제공한다.