양자 기반 확률 최적 전력 흐름과 차등 프라이버시 통합 프레임워크

본 논문은 양자 컴퓨팅이 전력 시스템 최적화, 특히 확률 최적 전력 흐름(POPF) 문제에 적용될 수 있는 새로운 프레임워크를 제시한다. POPF는 재생 가능 에너지와 부하의 불확실성을 고려해 다수의 시나리오에 대해 OPF를 반복적으로 해결해야 하므로, 전통적인 선형/비선형 최적화 방법으로는 계산 비용이 급증한다. 저자는 먼저 POPF를 선형화하고, 불확실성 파라미터 θ를 MP‑LP 형태로 재구성한다. MP‑LP 이론에 따라 파라미터 공간 Θ는 유한 개의 임계 영역(CR)으로 분할되며, 각 CR 내부에서는 최적 해가 affine 함수 x*(θ)=F_kθ+f_k 로 표현된다. 따라서 실제 연산은 (i) 현재 θ가 어느 CR에 속하는지 판별하고, (ii) 해당 CR의 사전 계산된 affine 매핑을 적용해 고차원 OPF 해를 복원하는 두 단계로 축소된다. 이러한 구조적 변환은 양자 회로가 수행해야 할 작업을 고차원 회귀에서 저차원 분류 문제로 바꾸어, 큐빗 수 요구량을 크게 낮춘다. 구체적으로, 저자는 변분 양자 회로(VQC)를 이용해 CR 분류기를 설계한다. VQC는 데이터 재업로드(data reuploading) 기법을 사용해 입력 θ를 L개의 레이어에 걸쳐 Ry 회전으로 반복 인코딩하고, 각 레이어마다 학습 가능한 파라미터 ϕ를 적용한다. 레이어 사이에 ladder형 CNOT 얽힘을 삽입해 다변량 상호작용을 포착한다. 최종 상태에서 각 큐빗의 Pauli‑Z 기대값을 측정해 특성 벡터 h를 얻고, 이를 클래식 신경망에 입력해 softmax를 통해 K개의 CR 확률을 출력한다. 이 과정에서 필요한 큐빗 수는 입력 파라미터 차원 m에 비례하므로, 69‑bus 시스템(수백 개 변수)에서도 5개의 큐빗만으로 구현이 가능하다. 양자 회로에 내재된 디포라징 노이즈를 차등 프라이버시(DP) 메커니즘으로 활용한다는 점도 핵심이다. 저자는 디포라징 채널을 (ε,0)-DP를 만족하는 랜덤화 연산으로 모델링하고, VQC 출력에 대한 노이즈 분포를 분석해 DP 보장을 증명한다. 또한, 노이즈 강도와 OPF 비용 증가 사이의 trade‑off를 정량화하여, 프라이버시 예산 ε가 커질수록 기대 비용 손실이 선형적으로 감소함을 보였다. 실험에서는 IEEE 69‑bus 시스템을 대상으로 MP‑LP 기반 POPF를 구현하고, 제안된 VQC와 기존 다층 퍼셉트론(MLP) 기반 클래식 분류기를 비교했다. 주요 결과는 다음과 같다. 1) VQC는 동일 ε≈3 수준에서 MLP 대비 2.1배 작은 프라이버시 예산을 달성한다. 2) 동일 프라이버시 조건에서 VQC의 평균 비용 격차는 0.21%에 불과한 반면, MLP은 16.07%에 달한다. 3) 불가능성 비율도 VQC는 4.6%에 머물지만, MLP은 66.1%로 크게 악화된다. 4) 시나리오당 실행 시간은 9,000배 이상 가속화된 것으로 추정된다. 이러한 결과는 (i) 파라메트릭 분해를 통한 차원 축소, (ii) 데이터 재업로드 기반 VQC의 높은 표현력, (iii) 양자 노이즈를 활용한 자연스러운 DP 보장이라는 세 축이 결합될 때, 제한된 NISQ 디바이스에서도 실용적인 전력 시스템 최적화가 가능함을 입증한다. 논문은 또한 향후 연구 방향으로 비선형 AC‑OPF에 대한 확장, 대규모 그리드에서 임계 영역 관리, 그리고 다른 유형의 양자 노이즈와 프라이버시-성능 관계 분석을 제시한다.