🤖 machine learning

Radio Signal Classification by Adversarially Robust Quantum Machine Learning

본 논문은 근사 진폭 인코딩을 적용한 양자 변분 분류기를 무선 신호 분류에 적용하는 것을 조사하며, 이러한 양자 모델이 고전적 CNN에 비해 적대적 공격에 대해 우수한 강건성을 제공하고 적대적 예제의 비대칭적 전이성을 보인다는 것을 입증한다.

원저자: Yanqiu Wu, Eromanga Adermann, Chandra Thapa, Seyit Camtepe, Hajime Suzuki, Muhammad Usman

게시일 2026-09-30

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yanqiu Wu, Eromanga Adermann, Chandra Thapa, Seyit Camtepe, Hajime Suzuki, Muhammad Usman

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

우리 주변의 보이지 않는 공기라는 바다 속에서, 라디오 파동은 우리의 대화와 음악, 그리고 중요한 데이터를 실어 나릅니다. 이 혼란스러운 흐름을 이해하기 위해, 수신기는 정보를 인코딩하는 데 사용된 특정 패턴, 즉 변조 방식을 즉각적으로 인식해야 합니다. 자동 변조 분류(automatic modulation classification)라고 알려진 이 작업은 메시지를 해독하는 첫 번째 단계입니다. 수십 년 동안 엔지니어들은 높은 속도와 정확도로 이 인식을 수행하기 위해 머신러닝 알고리즘에 의존해 왔습니다. 그러나 새로운 취약점이 나타났습니다. 바로 이러한 스마트 시스템들을 속일 수 있다는 점입니다. 신호에 아주 미세하고 거의 눈에 띄지 않는 양의 정적 노이즈를 추가함으로써, 공격자는 수신기를 혼란에 빠뜨려 보안 전송을 무해한 것으로 오인하게 하거나 연결을 완전히 끊어버릴 수 있습니다. 이러한 디지털 방어 체계가 점점 더 정교해짐에 따라, 과학자들은 전통적인 컴퓨팅을 넘어 양자 물리학의 기묘한 법칙이 더 강력한 방패를 제공할 수 있을지 주목하고 있습니다.

호주의 한 연구팀은 양자 컴퓨터가 표준 컴퓨터보다 라디오 신호를 기만적인 공격으로부터 더 잘 방어할 수 있는지 테스트함으로써 이 방향으로 중요한 진전을 이루었습니다. 그들은 양자 변분 분류기(quantum variational classifier)라고 불리는 특정 유형의 양자 알고리za즘에 집중했습니다. 대부분의 현대 기기에서 사용되는, 인간의 뉴런과 유사한 방식으로 데이터를 처리하는 딥러닝 네트워크와 달리, 이 양자 분류기는 아원자 입자의 고유한 특성을 사용하여 패턴을 분석합니다. 연구진은 이 양자 접근 방식이 기존 시스템을 속이는 것과 같은 속임수에 저항할 수 있는지 알고 싶었습니다. 이를 알아내기 위해, 그들은 공격자가 표준 신경망과 양자 분류기 모두를 세 가지 다른 방식의 기만적 노이즈를 사용하여 혼란시키려는 전장을 시뮬레이션했습니다. 그들은 실제 라디오 신호 데이터와 합성 파형 데이터셋을 사용하여 이 시스템들을 테스트했으며, 신호가 조작되었을 때 각 모델이 얼마나 잘 버텨내는지를 측정했습니다.

결과는 이 두 종류의 지능이 기만에 대응하는 방식에서 놀라운 비대칭성을 드러냈습니다. 연구진이 표준 신경망을 대상으로 공격을 생성했을 때, 그 기만적 신호들은 양자 분류기를 속이는 데 실패했습니다. 양자 시스템은 노이즈에도 불구하고 신호의 본질을 성공적으로 인식하며 대체로 면역력을 유지했습니다. 그러나 그 반대의 경우는 성립하지 않았습니다. 연구진이 양자 분류기를 공격하여 기만적인 예시를 만들어냈을 때, 그 동일한 예시들이 표준 신경망을 성공적으로 속였습니다. 사실, 양자 시스템을 위해 설계된 공격들은 기존의 시스템을 속이는 데 훨씬 더 효과적이었습니다. 이는 양자 분류기가 세상을 다르게 보는 법을 학습하여, 표준 네트워크가 놓치는 특징들을 식별함으로써 기존 시스템에 통용되는 특정 노이즈 패턴으로 속이기 어렵게 만든다는 것을 시사합니다 관찰자에게는 더 포착하기 어려운 특징들을 찾아내기 때문입니다.

또한 이 연구는 양자 컴퓨터의 사용을 늦추고 있는 실질적인 장애물, 즉 양자 컴퓨터에 데이터를 준비하기 위해 요구되는 막대한 자원 문제를 다루었습니다. 라디오 신호를 양자 컴퓨터에 입력하려면 데이터를 특정 양자 상태로 변환해야 하는데, 이 과정은 전통적으로 엄청난 수의 연산을 필요로 하여 느리고 오류가 발생하기 쉽습니다. 연구팀은 근사 진폭 인코딩(approximate amplitude encoding)이라는 새로운 기술을 도입했습니다. 신호의 완벽하고 수학적으로 정확한 복사본을 양자 시스템에 만들려고 노력하는 대신, 유용할 만큼 충분히 가까운 형태의 단순화된 방법을 사용했습니다. 이 접근 방식은 필요한 연산 횟수를 1,000회 가까이던 것에서 100회 조금 넘는 수준으로 80% 이상 줄였습니다. 이러한 단순화로 인해 초기 정확도는 약간 떨어졌지만, 모델을 훨씬 더 효율적이고 견고하게 만들었으며, 약간 덜 완벽한 인코딩이 여전히 강력한 방어를 제공할 수 있음을 증명했습니다.

연구진은 또한 현재의 기술 수준인, 즉 양자 시스템이 완벽하지 않은 상황에서 어떤 일이 발생하는지 살펴보았습니다. 그들은 양자 하드웨어에서 자연스럽게 발생하는 노이즈라고 알려진 무작위 오류를 시뮬레이션했습니다. 그들은 이러한 노이즈가 시스템의 전반적인 정확도를 낮추기는 하지만, 기만적인 공격에 저항하는 시스템의 능력까지 약화시키지는 않는다는 것을 발견했습니다. 양자 분류기는 환경이 불완전한 상태에서도 회복력을 유지했습니다. 나아가, 그들은 이러한 공격을 탐지하는 것이 얼마나 어려운지도 조사했습니다. 그들은 양자 분류기에 의해 생성된 기만적 신호가 표준 네트워크에 의해 생성된 것보다 일반적으로 관찰자가 포착하기 더 어렵다는 것을 발견했으며, 이는 더 은밀하다는 것을 의미합니다. 이러한 회복력과 은밀함의 결로는 양자 방식이 무선 통신의 새로운 보안 계층을 제공할 수 있음을 시사합니다.

이 연구는 양자 머신러닝이 이전에 연구되었던 이미지 인식 작업들을 넘어, 라디오 신호에 대해 구체적인 비교를 수행한 첫 번째 사례입니다. 연구 결과는 양자 분류기가 복잡한 신호를 스스로 인식하는 데 있어서는 아직 완벽하지 않을지라도, 방어 측면에서는 독특한 강점을 지니고 있음을 보여줍니다. 그들은 전통적인 시스템에 통하는 속임수에 쉽게 혼란을 느끼지 않으며, 기존 시스템에 매우 효과적인 자신들만의 기만적 신호를 생성할 수 있습니다. 이 연구는 기술이 아직 초기 단계에 있으며 더 복잡한 과제를 처리하기 위해 추가적인 개발이 필요하지만, 나아갈 길은 명확하다고 결론짓습니다. 이러한 양자 방어 체계를 고전적 방법과 결합하고, 자원을 관리하기 위해 효율적인 인코딩 기술을 사용함으로써, 우리는 곧 디지털 시대의 보이지 않는 위협으로부터 훨씬 더 안전한 라디오 시스템을 갖게 될 것입니다.

기술 요약: 적대적 강건성을 갖춘 양자 기계 학습을 통한 무선 신호 분류

문제 정의
자동 변조 분류(Automatic Modulation Classification, AMC)는 수신기가 사전 제어 오버헤드 없이 변조 방식을 식별할 수 있게 하는 무선 통신 시스템의 핵심 구성 요소입니다. 합성곱 신경망(CNN)을 필두로 한 기계 학습(ML)은 AMC에서 높은 정확도를 달amel 성취했지만, 이러한 모델들은 적대적 공격에 매우 취-약합니다. 이러한 취약성은 중요한 메시지의 오해독, 기밀 데이터의 가로채기, 통신 채널의 교란과 같은 심각한 결과를 초래할 수 있습니다. 최근 연구들은 양자 기계 학습(QML), 특히 양자 변분 분류기(QVC)가 이미지 분류에서 적대적 공격에 대해 향상된 강건성을 제공할 수 있음을 시사하고 있으나, 이러한 이점이 무선 신호 분류에도 확장되는지는 아직 탐구되지 않았습니다. 또한, 무선 신호를 위한 QML의 실제 구현은 데이터 인코딩 효율성과 양자 노이즈의 영향이라는 과제에 직면해 있습니다.

방법론
저자들은 무선 신호 분류 맥락에서 다양한 적대적 공격에 대한 QVC의 강건성을 평가하기 위한 프레임워크를 제안합니다. 본 연구는 10개의 변조 클래스를 포함하는 표준 GNU Radio ML 데이터셋(RML2016.10a)과 푸리에 급수 파형(사각파, 톱니파, 삼각파)을 기반으로 한 합성 데이터셋 두 가지를 활용합니다.

실험 설정은 다음과 같습니다:

모델 아키텍처: 클래식 CNN과 양자 변분 분류기(QVC) 간의 비교를 수행합니다. QVC는 단일 큐비트 회전 게이트( $R_X, R_Z, R_Y$ )와 2-큐비트 얽힘 게이트(CNOT) 층으로 구성된 변분 회로를 사용합니다.
데이터 인코딩: 256차원 입력 벡터에 대한 정확한 진폭 인코딩(Amplitude Encoding)에 필요한 높은 회로 깊이 문제를 해결하기 위해, 저자들은 **근사 진폭 인코딩(Approximate Amplitude Encoding, AAE)**의 새로운 적용을 도입합니다. 이 기술은 얕고 학습 가능한 QVC를 사용하여 정확한 진폭을 근사함으로써, 요구되는 양자 게이트 수를 크게 줄입니다.
적대적 공격: 본 연구는 세 가지 공격 전략을 사용하여 화이트박스(white-box) 및 블랙박스(black-box) 시나리오 하에서 강건성을 평가합니다:
- Fast Gradient Sign Method (FGSM): 단일 단계 공격.
- Projected Gradient Descent (PGD): 반복적인 다단계 공격.
- Universal Adversarial Perturbations (UAP): 모든 데이터 포인트에 대해 단일 섭동을 생성하는 입력 불가지론적(input-agnostic) 공격.
전이성 분석: 저자들은 양자 모델과 클래식 모델 간의 적대적 예제의 전이성을 조사합니다. 블랙박스 설정에서, 이들은 대리 모델(QVC 또는 CNN)에 공격을 생성하여 타겟 모델에 테스트합니다.
노이로 시뮬레이션: 실제 양자 하드웨어 조건을 시뮬레이션하기 위해 탈분극 노이즈(depolarizing noise)를 도입하여 모델의 강건성을 추가로 테스트합니다.

주요 기여

무선 신호에 대한 첫 적용: 본 연구는 무서 신호 분류에 QVC를 적용하고 적대적 공격에 대한 강건성을 평가한 최초의 연구로서, 기존에 컴퓨터 비전에 집중되었던 양자 적대적 기계 학습(QAML) 문헌의 공백을 메웁니다.
근사 진폭 인코딩 (AAE): 본 논문은 무선 신호 데이터를 위한 AAE의 사용을 제안하고 검증합니다. 5개 층의 AAE를 사용함으로써, 저자들은 정확한 인코딩에 필요한 게이트 수를 973개에서 155개로 줄였으며, 이 과정에서 분류 정확도는 단 3.7%만 희생되었습니다. 이러한 감소는 노이즈 영향을 완화하고 결함 허용 구현을 가능하게 하는 데 매우 중요합니다.
비대칭적 전이성: 본 연구는 적대적 예제의 전이성에서 뚜렷한 비대칭성을 발견했습니다. QVC를 공격하여 생성된 적대적 예제는 CNN으로 효과적으로 전이되어 CNN을 성공적으로 속입니다. 반대로, CNN을 공격하여 생성된 적대적 예제는 QVC에 잘 전이되지 않으며, QVC는 이러한 공격에 크게 저항합니다.
은폐성 분석: 저자들은 공격의 인지 가능성을 측정하기 위해 콜모고로프-스미르노프(Kolmogorov-Smirnov, KS) 검정을 사용하는 통계적 방법을 개발했습니다. 그 결과, QVC를 이용한 적대적 예제(FGSM 및 PGD 사용 시)가 CNN 생성 예제보다 일반적으로 더 인지하기 어렵다(탐지하기 어렵다)는 것을 발견했습니다.

결과

강건성: 화이트박스 시나리오에서 QVC는 FGSM, PGD, UAP 공격에 대해 CNN보다 약간 더 높은 강건성을 보였으나, 두 모델 모두 공격 강도(Perturbation-to-Signal Ratio)가 증가함에 따라 상당한 정확도 저하를 겪었습니다.
블랙박스 전이성: 블랙박스 시나리오에서 QVC에 의해 생성된 공격은 CNN의 정확도를 급격히 떨어뜨렸습니다(예: 3-클래스 RML 데이터셋에서 PGD 적용 시 96.7%에서 43.4%로 하락). 그러나 CNN에 의해 생성된 공격은 QVC의 정확도에 미미한 영향을 미쳤으며, QVC는 상대적으로 안정적인 상태를 유지했습니다.
AAE 성능: AAE-QVC 모델은 게이트 수 감소와 약간의 정확도 감소에도 불구하고 블랙박스 공격에 대해 높은 강건성을 유지했습니다.
노이즈 영향: 탈분극 노이즈(확률 $p=0.02$ )를 도입하면 QVC 모델의 분류 정확도가 크게 감소했습니다. 그러나 이 노이즈는 CNN에 의해 생성된 블랙박스 적대적 공격에 대한 QVC의 강건성을 저하시키지는 않았습니다.
은폐성: FGSM 및 PGD 공격 하에서, QVC 생성 적대적 예제는 CNN 생성 예제보다 이상치(outlier)로 더 적게 탐지되었으며, 이는 더 높은 은폐성을 나타냅니다. UAP 공격의 경우, CNN 생성 예제가 약간 더 인지하기 어려웠습니다.

의의 및 주장
본 논문은 양자 분류기가 무선 신호 분류에서 독특한 형태의 이점, 즉 클래식 적대적 공격에 대한 우수한 강건성과 더 인지하기 어려운 적대적 예제를 생성할 수 있는 능력을 제공한다는 점을 입증함으로써 QAML 분야에 새로운 통찰을 제공한다고 주장합니다. 저자들은 QML 모델이 항상 클래식 모델보다 원시 분류 정확도 면에서 앞서는 것은 아니지만, 클래식 특징 집합을 겨냥한 공격에 대한 탄력성이 차별화된 보안 이점을 제공한다고 강조합니다.

본 연구는 QAML 분야가 특히 신호 데이터 측면에서 아직 초기 단계에 있음을 부각합니다. 저자들은 QVC가 유망함을 보여주면서도 화이트박스 공격에는 여전히 취약하다는 점을 언급하며, 이는 적대적 훈련(adversarial training)과 같은 방어 전략에 대한 향후 연구의 필요성을 시사합니다. 결론적으로, AAE와 같은 효율적인 인코딩 기술을 동반한 QML 방법의 적용은 실용적이고 안전한 무선 통신 시스템을 위한 상당한 잠재력을 지니고 있으며, 향 \후 하이브리드 양자-클래식 접근 방식의 토대를 마련합니다.

유사한 논문