IoT 데이터 분류를 위한 투사 양자 커널 평가

초록

본 논문은 사무실 실내 센서로 수집된 IoT 데이터셋을 직접 양자 회로에 입력할 수 있도록 설계하고, 투사 양자 커널(PQK)과 기존 양자 커널(QK), 그리고 전통적인 클래식 커널을 동일한 분류 과제에 적용해 성능을 비교한다. 얕은 회로 깊이와 제한된 샷 수가 오히려 일반화에 도움이 될 수 있음을 실험적으로 확인했으며, 현재 수준의 NISQ 디바이스에서는 PQK가 클래식 방법과 비슷한 정확도를 보이나 확실한 양자 우위는 아직 입증되지 않았다.

상세 분석

이 연구는 양자 머신러닝(QML) 분야에서 실세계 데이터셋의 부족이라는 근본적인 문제를 해결하려는 시도로, IoT 환경에서 수집된 온·습도, 조도, CO₂ 농도 등 6개의 연속형 피처를 그대로 양자 회로에 매핑한다는 점이 가장 큰 강점이다. 기존 연구들은 차원 축소(PCA, 오토인코더) 후에 양자 인코딩을 수행했지만, 차원 축소 과정에서 데이터의 고유 구조가 손실될 위험이 있다. 저자들은 데이터 전처리를 최소화하고, 각 피처를 직접 각도 파라미터로 변환하는 ‘Amplitude‑Encoding‑Like’ 방식을 채택해 회로 깊이를 2~3층으로 얕게 유지하였다. 얕은 회로는 NISQ 디바이스의 데코히런스와 게이트 오류에 덜 민감하며, 실험에서는 깊이가 4층 이상인 경우 오버피팅과 잡음에 취약함을 확인했다.

PQK는 양자 상태를 측정해 고전적인 피처 벡터로 투사한 뒤, 전통적인 커널 트릭을 적용한다. 저자들은 두 가지 측정 전략을 비교했는데, (1) 전통적인 Pauli‑Z 기대값을 이용한 전역 측정, (2) 부분적인 로컬 측정 후 클래식 차원 축소(주성분 분석)이다. 전역 측정은 정보 손실이 적어 정확도가 약 2% 높았지만, 샷 수가 1024 이하로 감소하면 노이즈가 급격히 증가했다. 반면 로컬 측정은 샷 수가 적어도 안정적인 성능을 유지했으며, 특히 256샷 이하에서 오히려 일반화 오차가 감소하는 현상이 관찰되었다. 이는 ‘샷 노이즈가 정규화 효과를 제공한다’는 최근 연구와 일치한다.

실험 결과는 다음과 같다. 동일한 SVM 기반 분류기에 대해 RBF 커널은 89.3%의 정확도를 기록했으며, QK는 85.7%, PQK는 88.9%를 달성했다. 얕은 회로(2층)와 512샷 설정에서 PQK가 가장 높은 F1‑score(0.87)를 보였고, 깊은 회로(5층)에서는 QK와 PQK 모두 성능이 급락했다. 또한, 양자 커널은 데이터 포인트 수가 500개 이하일 때는 클래식 커널 대비 큰 차이를 보이지 않았지만, 2000개 이상으로 확대될 경우 메모리와 계산 복잡도에서 양자 커널이 상대적으로 효율적이라는 점을 시사한다.

한계점으로는(1) 데이터셋이 단일 사무실 환경에 국한돼 있어 일반화 가능성이 제한적이며, (2) 현재 NISQ 하드웨어의 오류율이 낮은 수준이 아니므로 실험적 재현성이 떨어진다. 향후 연구에서는 다중 사무실·다중 건물 데이터와 다양한 양자 인코딩(예: 고차원 트리 구조, 양자 회전 변형) 및 오류 보정 기법을 결합해 양자 우위 가능성을 탐색해야 한다.