Alleviating CoD in Renewable Energy Profile Clustering Using an Optical Quantum Computer

이 논문은 고전 컴퓨터에서 차원의 저주로 인해 어려움을 겪는 재생 에너지 프로파일 클러스터링 문제를, Ising 모델과 QUBO 형식으로 변환하여 광학 양자 컴퓨터 (Coherent Ising Machine) 를 통해 효율적으로 해결하는 커널 기반 양자 클러스터링 방법을 제안하고 그 유효성을 검증했습니다.

핵심

1. 문제 상황: "너무 많은 옷장 정리하기" (차원의 저주)

상상해 보세요. 태양광 발전소에서 하루 종일 기록된 전력 데이터가 수백 개 있습니다. 이 데이터들을 비슷한 패턴끼리 묶어서 (예: 맑은 날, 흐린 날, 비 오는 날) 정리해야 합니다.

• 기존 컴퓨터 (전통적인 방법): 이 옷장 정리를 할 때, 모든 옷을 하나하나 꺼내서 "이 옷과 저 옷이 비슷할까?"를 비교합니다. 옷 (데이터) 이 10 개일 때는 금방 끝나지만, 100 개, 1,000 개로 늘어날수록 비교해야 할 경우의 수가 기하급수적으로 불어납니다. 마치 옷장 크기가 커질수록 정리를 하려면 시간이 영원히 걸리는 것처럼 말이죠. 이를 학계에서는 **'차원의 저주 (Curse of Dimensionality)'**라고 부릅니다. 컴퓨터가 너무 많은 경우를 다 계산하다 보니, 데이터가 조금만 많아져도 계산이 멈추거나 너무 오래 걸립니다.

2. 해결책: "빛의 속도로 정렬하는 마법 거울" (광자 양자 컴퓨터)

이 논문은 기존의 전기 회로 대신, **빛 (광자)**을 이용해 이 문제를 해결했습니다. 바로 **'광자 양자 컴퓨터 (Optical Quantum Computer)'**를 사용한 것이죠.

• 비유: 기존 컴퓨터가 "하나하나 비교하며 정렬하는 꼼꼼한 주부"라면, 이 양자 컴퓨터는 **"모든 옷을 한 번에 던져 넣으면, 옷들이 스스로 가장 비슷한 친구끼리 뭉쳐서 정리되는 마법 거울"**과 같습니다.
• 작동 원리: 이 컴퓨터는 '코히런트 이징 머신 (CIM)'이라는 장치를 사용합니다. 이 장치는 빛의 펄스가 광섬유를 돌아다니는 원리를 이용합니다.
  • 핵심: 빛이 광섬유를 한 바퀴 도는 데 걸리는 시간은 데이터의 양이 10 개든 1,000 개든 똑같습니다. (약 3 밀리초).
  • 즉, 옷이 아무리 많아져도 정렬하는 데 걸리는 시간은 변하지 않습니다. 이것이 바로 '차원의 저주'를 극복한 비결입니다.

3. 방법론: "데이터를 '에너지'로 바꾸다"

이 컴퓨터가 어떻게 일을 할까요? 논문의 핵심 아이디어는 **'데이터를 물리학의 에너지로 변환'**하는 것입니다.

1. 유사한 데이터끼리 붙어 있게 하기: 비슷한 태양광 데이터끼리 붙어 있으면 '에너지'가 낮아지고, 서로 다른 데이터가 붙어 있으면 '에너지'가 높아집니다.
2. 최저 에너지 상태 찾기: 자연계는 항상 에너지가 가장 낮은 상태 (가장 안정된 상태) 를 찾아가려 합니다. 이 컴퓨터는 **가장 낮은 에너지 상태 (가장 완벽한 그룹화)**를 찾아내는 물리 법칙을 이용합니다.
3. QUBO 모델: 복잡한 수식을 컴퓨터가 이해할 수 있는 '0 과 1'의 조합 (QUBO) 으로 바꾸어, 이 빛의 장치가 바로 그 답을 찾아내게 합니다.

4. 실험 결과: "기존 컴퓨터는 지쳤는데, 빛은 여전히 쌩쌩"

연구진은 실제 400 개의 데이터 (태양광 발전량) 를 5 개의 그룹으로 묶는 실험을 했습니다.

• 기존 컴퓨터 (K-means 등): 데이터가 80 개일 때는 괜찮았지만, 280 개, 400 개로 늘어나자 계산 시간이 급격히 늘어났고, 심지어 300 초가 지나도 정답을 못 찾거나 엉뚱한 답을 내놓았습니다.
• 양자 컴퓨터 (이 논문 방법): 데이터가 100 개든 400 개든 약 3 밀리초 (0.003 초) 만에 정답을 찾아냈습니다. 정확도는 기존 방법과 비슷하거나 더 좋았으며, 계산 속도는 압도적이었습니다.

5. 결론: 왜 이것이 중요한가?

이 기술은 전력 시스템에서 매우 중요합니다.

• 실시간 대응: 태양광이나 풍력은 날씨에 따라 순식간에 변합니다. 이런 데이터를 실시간으로 분석하고 제어하려면, 기존 컴퓨터처럼 "계산 중..."이라고 기다릴 시간이 없습니다.
• 미래 지향성: 이 빛 기반 양자 컴퓨터는 데이터가 아무리 많아져도 속도가 느려지지 않습니다. 앞으로 더 복잡한 전력망 관리나 재난 복구 계획 수립 등에 쓰일 수 있는 강력한 도구입니다.

한 줄 요약:

"수천 개의 태양광 데이터를 정리할 때, 기존 컴퓨터가 '계산 폭주'로 멈춘다면, 이 새로운 방법은 빛의 속도로 데이터를 자동으로 그룹화하여, 데이터가 아무리 많아도 계산 시간이 변하지 않는 혁신적인 해결책을 제시했습니다."

기술 요약

1. 연구 배경 및 문제 정의 (Problem Statement)

• 배경: 전력 시스템에서 재생 에너지 (특히 태양광, PV) 프로파일의 클러스터링은 데이터 분석 및 집계 제어에 필수적입니다.
• 문제점: 전통적인 클러스터링 문제는 조합 최적화 (Combinatorial Optimization) 문제로, 기존 집적 회로 기반의 고전 컴퓨터에서는 **차원의 저주 (Curse of Dimensionality, CoD)**에 직면합니다.
  • 특히, $N$개의 프로파일을 $G$개의 그룹으로 나누어 그룹 내 거리를 최소화하는 문제는 feasible domain 의 강한 비볼록성 (non-convexity) 으로 인해 NP-hard 문제입니다.
  • 고전 알고리즘 (K-means, K-medoids 등) 은 변수의 수가 증가함에 따라 계산 시간이 기하급수적으로 증가하거나 최적해를 찾지 못하는 한계가 있습니다.
• 목표: 본 논문은 차원의 저주를 극복하고 재생 에너지 프로파일 클러스터링을 효율적으로 해결하기 위해 광학 양자 컴퓨터 (Optical Quantum Computer) 기반의 새로운 방법을 제안합니다.

2. 제안된 방법론 (Methodology)

제안된 방법은 **커널 기반 양자 클러스터링 (Kernel-based Quantum Clustering)**으로, 다음과 같은 단계로 구성됩니다.

가. Ising 모델 및 QUBO 변환

1. Ising 모델 매핑: 물리학의 Ising 모델을 기반으로 클러스터링 문제를 Hamiltonian(에너지 함수) 형태로 표현합니다.
   • $H_{Ising} = \sum J_{i,j}s_i s_j + \sum h_i s_i$
2. QUBO (Quadratic Unconstrained Binary Optimization) 재구성:
   • 고전 컴퓨터에서 해결하기 어려운 제약 조건 (각 프로파일이 하나의 그룹에만 속함) 을 페널티 항 (Penalty term) 으로 변환하여 무제약 2 차 이진 최적화 문제 (QUBO) 로 변환합니다.
   • 목적 함수: $H_{QUBO} = H_{obj} + \lambda H_{cons}$
   • 여기서 $H_{obj}$는 그룹 내 거리 최소화, $H_{cons}$는 그룹 할당 제약 조건을 나타냅니다.

나. 커널 기반 유사도 도입

• 기존 유클리드 거리 대신 **비선형 커널 함수 (Gaussian Kernel)**를 사용하여 데이터의 고차원 구조를 더 잘 포착합니다.
• 유클리드 거리 $d_{i,j}$를 커널 기반 유사도 $g_{i,j}$로 대체하여 QUBO 행렬을 구성함으로써, 비볼록한 데이터 분포에서도 효과적인 클러스터링이 가능하도록 합니다.

다. Coherent Ising Machine (CIM) 활용

• 변환된 QUBO 문제를 **Coherent Ising Machine (CIM)**에 입력합니다.
  • CIM 원리: 퇴화 광학 파라메트릭 발진기 (DOPO) 네트워크를 사용하여 Ising 모델의 Hamiltonian 을 광자 손실 (photon decay) 로 매핑합니다.
  • 동작: 펌프 임계값을 넘으면 시스템이 두 위상 (0 또는 $\pi$) 중 하나로 수렴하며, 이는 Ising 모델의 스핀 상태 (+1 또는 -1) 에 해당합니다.
  • 핵심 장점: CIM 은 광 펄스가 광학 공동 (fiber cavity) 을 한 바퀴 도는 시간 (약 3ms) 만 소요되므로, **변수 수에 관계없이 계산 시간이 거의 일정 (O(1))**합니다. 이는 고전 컴퓨터의 CoD 문제를 근본적으로 해결합니다.

3. 주요 기여 (Key Contributions)

1. 최초의 광학 양자 컴퓨터 기반 프로파일 클러스터링: 재생 에너지 프로파일 클러스터링 최적화에 CIM 을 적용한 최초의 연구입니다.
2. 커널 기반 QUBO 모델링: 고전적인 커널 클러스터링의 CoD 한계를 극복하기 위해 커널 함수를 QUBO 모델에 통합하고 CIM 에서 직접 해결할 수 있는 형태로 변환했습니다.
3. 실제 양자 하드웨어 검증: Beijing QBoson 의 400 큐비트 CIM 을 사용하여 실제 데이터를 기반으로 한 실험을 수행하고, 그 유효성을 입증했습니다.

4. 실험 결과 및 성능 분석 (Results)

• 실험 설정:

  • 데이터: Yulara Solar System 의 5 분 간격 PV 데이터 (시간 단위 평균).
  • 비교 대상: K-means, K-medoids (MATLAB), 시뮬레이션 양자 어닐링 (SQA, OpenJij), Gurobi (고전 최적화 솔버).
  • 테스트 규모: 5080 개의 프로파일을 25 개 그룹으로 클러스터링 (변수 수 100~400 개).

• 계산 성능 (Computational Performance):

  • CIM: 변수 수가 증가해도 계산 시간이 약 3ms로 거의 일정하게 유지되었습니다. 이는 광학 공동의 물리적 길이로 인해 결정되며, 고전 컴퓨터의 CoD 현상을 명확히 보여줍니다.
  • 고전 알고리즘: 변수 수가 증가함에 따라 계산 시간이 급격히 증가했습니다. 특히 Gurobi 는 280 개 이상의 변수에서 시간 제한 (300 초) 내에 해를 찾지 못해 최적성 간격 (Optimality Gap) 이 84% 이상 발생하거나 해를 반환하지 못했습니다.

• 클러스터링 효과 (Clustering Effectiveness):

  • 실루엣 계수 (Silhouette Coefficient): 제안된 CIM 기반 커널 클러스터링은 K-means 및 K-medoids 와 유사하거나 더 나은 실루엣 계수를 보였습니다.
  • 그룹 내 응집력: 커널 공간에서의 유사도 최적화로 인해 K-means/K-medoids 대비 **그룹 내 거리가 더 조밀 (compact)**하게 형성되었습니다.
  • 매개변수 민감도: 커널 파라미터 $\sigma$에 대해 $\sigma \approx 0.5$에서 최적의 성능을 보이며, 합리적인 범위 내에서 안정적으로 작동함을 확인했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 차원의 저주 극복: NP-hard 인 클러스터링 문제에서 CIM 이 고전 컴퓨터 대비 계산 시간의 기하급수적 증가를 억제하고, 변수 수에 무관한 일정한 처리 속도를 제공함을 입증했습니다.
• 실시간 전력 시스템 적용 가능성: 전력 시스템의 동적 부하 집계, 빠른 응답 제어 등 밀리초 (ms) 단위의 해결 속도가 필수적인 실시간 최적화 문제에 CIM 기반 방법이 매우 적합함을 시사합니다.
• 확장성: 현재 하드웨어의 큐비트 수 제한은 하이브리드 (고전 - 양자) 전략 (Benders 분해, ADMM 등) 을 통해 해결 가능하며, 향후 더 큰 규모의 양자 하드웨어 등장과 함께 전력 시스템의 단위 계획 (Unit Commitment), 그리드 복구 등 다양한 이산 최적화 문제로 확장될 수 있습니다.

요약하자면, 본 논문은 광학 양자 컴퓨터 (CIM) 를 활용하여 재생 에너지 프로파일 클러스터링의 계산적 난제 (CoD) 를 해결하고, 기존 고전 알고리즘 대비 압도적인 계산 속도 유지와 동등 이상의 클러스터링 정확도를 달성할 수 있음을 실증적으로 증명했습니다.