⚛️ 양자물리학

CircuitHunt: Automated Quantum Circuit Screening for Superior Credit-Card Fraud Detection

이 논문은 KetGPT 데이터셋으로부터 양자 회로를 효율적으로 스크리닝하고 최적화하여 97%의 정확도로 우수한 신용카드 부정 결제 탐지 성능을 달성하는 동시에, 클래스 불균형과 같은 문제를 해결하면서 아키텍처 탐색 시간을 크게 단축하는 자동화된 프레임워크인 CircuitHunt을 소개한다.

원저자: Nouhaila Innan, Akshat Singh, Muhammad Shafique

게시일 2026-10-26

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Nouhaila Innan, Akshat Singh, Muhammad Shafique

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

금융의 고위험 세계에서 신용카드 사기와의 싸움은 끊임없이 이어지는 조용한 전쟁입니다. 매일 수백만 건의 거래가 은행 네트워크를 통해 흐르며, 그 방대한 데이터의 강물 속에는 도난이라는 희귀하고 위험한 물방울들이 숨겨져 있습니다. 수십 년 동안 은행들은 이러한 이상 징후를 포착하기 위해 고전적인 컴퓨터 프로그램에 의존해 왔지만, 범죄자들은 점점 더 영리해지고 있으며 데이터는 기존의 방식만으로는 처리하기에는 너무 복잡해지고 있습니다. 이는 과학자들이 새로운 개척지인 양자 머신러닝을 바라보게 만들었습니다. 정보를 단순한 온-오프 스위치로 처리하는 가정용 컴퓨터와 달리, 양자 컴퓨터는 물리학의 기묘한 법칙을 사용하여 정보를 동시에 여러 상태로 유지합니다. 이를 통해 양자 컴퓨터는 많은 가능성을 동시에 탐색할 수 있으며, 전통적인 기계로는 풀기 너무 엉킨 문제들을 해결하는 데 있어 잠재적인 지름길을 제공합니다. 그러나 이러한 양자 프로그램을 구축하는 것은 매우 어려운 일로 알려져 있습니다. 양자 회로(양자 컴퓨터가 무엇을 할지 지시하는 특정 명령 배열)를 설계하는 것은 현재 매우 느리고 수동적인 과정입니다. 연구자들은 종로히 복잡한 기계를 만들 때 마치 수많은 톱니바퀴를 무작위로 끼워 맞추며 그것이 돌아가기를 바라는 것처럼, 어떤 설계가 작동할지 추측해야 하는 경우가 많습니다.

뉴욕 대학교 아부다비와 뉴욕 대학교 탄던 공과대학의 연구진은 이 설계 문제를 해결하기 위해 추측을 완전히 제거한 새로운 방법을 도입했습니다. 그들은 사기 탐지를 위한 최적의 양자 회로를 찾아내는 자동화 도구인 '서킷헌트(CircuitHunt)'라는 시스템을 개발했습니다. 인간의 직관이나 무작위 시도(이는 종종 실패로 이어집니다)에 의존하는 대신, 서킷헌트는 엄격한 필터 역할을 합니다. 이 시스템은 실제 양자 프로그래밍 코드로 학습된 인공지능이 생성한 천 개 이상의 사전 제작된 양자 회로 라이브러리에서 시작합니다. 그런 다음 시스템은 각 후보를 일련의 엄격한 테스트에 통과시킵니다. 회로가 현재 기술로 실행하기에 충분히 작은지, 데이터를 통해 학습할 수 있는 적절한 종류의 조절 가능한 부품을 갖추었는지, 그리고 실제로 충돌 없이 실행될 수 있는지를 확인합니다. 이 과정은 수천 명의 참가자가 오디션을 보는 재능show와 같지만, 심사위원들이 단 몇 초 만에 대다수를 탈락시키고 진정한 가능성을 보여주는 이들만을 남기는 것과 같습니다.

시스템이 목록을 소수의 실행 가능한 후보로 압축하면, 시스템은 이들을 실제 세상의 과제, 즉 사기 신용카드 거래를 식별하는 데 투입합니다. 이 작업에 사용되는 데이터는 사기가 매우 드물기 때문에 다루기가 까다롭기로 유명합니다. 일반적인 데이터셋에서는 실제 가짜 거래가 1% 미만입니다. 이러한 불균형은 컴퓨터가 매번 "사기 없음"이라고 예측하도록 기본 설정되기 쉽게 만듭니다. 이는 대부분의 경우 정확하겠지만 도둑을 잡는 데는 무용지물입니다. 이를 처리하기 위해 연구진은 자동화된 시스템이 특정한 종류의 성공, 즉 무고한 사람들을 잘못 몰아세우지 않으면서 사기꾼을 잡는 능력 사이의 균형을 맞춘 점수를 찾도록 훈련시켰습니다. 시스템은 각 후보 회로를 짧은 기간 동안 빠르게 훈련시키며 이 균형 점수를 확인합니다. 만약 회로의 성능이 저조하면 즉시 폐기됩니다. 만약 유망해 보이면 추가 테스트를 위해 유지됩니다. 인간 전문가가 수동으로 관리했다면 며칠 또는 몇 주가 걸렸을 이 선별 과정은 시스템에 의해 단 몇 시간 만에 완료되었습니다.

이 자동화된 탐색의 결과로 나머지 중에서도 독보적으로 뛰어난 단 하나의 양자 회로가 나타났습니다. 연구진이 이 우승 회로에 전체 훈련 세션을 부여했을 때, 이 회로는 놀라운 수준의 정확도를 달 achievement 했습니다. 테스트에서 이 회로는 사기 및 비사기 사례를 97%의 성공률로 정확히 식별해 냈으며, 이는 전문가들에 의해 정교하게 수동 설계된 여러 고급 양자 모델들을 능가하는 성과였습니다. 또한 이 연구는 이러한 양자 시스템이 어떻게 학습하는지에 대한 중요한 사실을 밝혀냈습니다. 연구진은 우승한 회로에 프로세스의 시작부터 끝까지 정보가 원활하게 흐를 수 있도록 하는 직접적인 연결이라는 특정 구조적 특징이 포함되어 있음을 발견했습니다. 실험을 위해 이 연결을 제거했을 때 어떤 일이 일어나는지 확인한 결과, 시스템의 성능은 급격히 무너져 훨씬 낮은 정확도로 떨어졌습니다. 이는 자동화된 발견 과정이 단순히 작동하는 회로를 찾은 것이 아니라, 양자 컴퓨터를 효과적으로 만들기 위한 '올바른 구조'를 찾아냈음을 입증했습니다.

이 연구의 의의는 단순히 신용카드 도둑을 잡는 것에 그치지 않습니다. 이는 우리가 양자 알고리즘의 느리고 수동적인 설계에서 벗어나, 기계가 특정 작업을 위해 스스로를 설계하는 미래로 나아갈 수 있음을 보여줍니다. 최적의 양자 구조를 찾는 과정을 자동화함으로써, 연구진은 데이터가 부족하고 불균형한 어려운 과제에서도 매우 효과적인 솔루션을 빠르게 찾을 수 있음을 증명했습니다. 현재의 테스트는 물리적인 양자 기계가 아닌 시뮬레이터에서 실행되었지만, 그 결과는 이러한 시스템이 실제 세상에 어떻게 배치될 수 있는지에 대한 명확한 로드맵을 제공합니다. 이 연구는 금융 및 보안 분야의 양자 컴퓨팅의 미래가 소수의 뛰어난 인간 설계자에게 달려 있는 것이 아니라, 최상의 결과를 찾는 것을 위해 수천 가지의 가능성을 지치지 않고 검토할 수 있는 자동화된 시스템에 달려 있음을 시사합니다.

기술 요약: CircuitHunt – 신용카드 사기 탐지를 위한 자동화된 양자 회로 스크리닝

1. 문제 정의

본 논문은 실제 환경의 과제, 특히 신용카드 사기 탐지를 위한 효과적인 양자 기계 학습(QML) 모델을 설계하는 데 있어 발생하는 핵심적인 어려움을 다룹니다. 이 도메인은 다음과 같은 두 가지 주요 난제를 안고 있습니다:

극심한 클래스 불균형 (Extreme Class Imbalance): 사기 거래는 일반적으로 전체 활동의 1% 미만을 차지하며, 이로 인해 표준 지도 학습 파이프라인은 편향과 성능 저하를 겪게 됩니다.
QML의 구조적 병목 현상 (Architectural Bottlenecks in QML): 확립된 아키텍처와 확장 가능한 신경망 구조 탐색(NAS)의 혜택을 받는 고전적 신경망과 달리, 매개변수화된 양자 회로(PQC)의 지형은 파편화되어 있습니다. 기존 방식은 다음 중 하나에 의존합니다:
- 수동 설계 (Manual Design): 제한된 도메인 지식에 기반하여 회로를 직접 제작하며, 이는 구조적 다양성의 결여로 이어집니다.
- 무작위 초기화 (Random Initialization): 훈련 가능성이나 작업 적합성을 고려하지 않고 무작위로 회로를 생성하며, 이는 높은 실패율과 비효율적인 자원 사용을 초래합니다.

저자들은 현재의 QML 연구가 실질적인 하드웨어 제약 조건 하에서 대규모의 구조화된 데이터셋으로부터 고성능 양자 회로를 효율적으로 스크리닝하고 선택할 수 있는 자동화된, 작업 중심의 프레임워크가 부족하다고 주장합니다.

2. 방법론: CircuitHunt 프레임워크

저자들은 KetGPT 데이터셋(트랜스포머 모델로 생성된 1,000개의 구조적으로 유효한 양자 회로 모음)으로부터 고성능 모델을 발견하기 위해 설계된 완전 자동화된 양자 회로 스크리닝 프레임워크인 CircuitHunt를 제안합니다. 이 파이프라인은 세 가지 주요 단계로 작동합니다:

A. 데이터 전처리

불균형 처리: 신용카드 사기 데이터셋은 입력 분포를 재조정하기 위해 SMOTE(Synthetic Minority Over-sampling Technique)를 사용하여 처리됩니다.
정규화: 양자 프로세싱과의 호환성을 보장하기 위해 특징값들을 경계가 있는 구간으로 변환하는 Min-Max 정규화를 수행합니다.
분할: 클래스 비율을 유지하기 위해 층화 추출(stratified sampling)을 사용하여 데이터를 훈련, 검증, 테스트 세트로 나눕니다.

B. 양자 회로 필터링

프레임워크는 엄격한 하드웨어 및 학습 제약 조건을 기준으로 초기 KetGPT 회로 집합( $C$ )을 필터링하여 실행 가능한 하위 집합( $C'$ )을 생성합니다:

큐비트 예산 (Qubit Budget): 현재의 시뮬레이션 및 하드웨어 역량에 맞추기 위해 회로는 3개에서 10개 사이의 큐비트를 가져야 합니다 ( $3 \le n \le 10$ ).
학습 가능한 게이트 (Trainable Gates): 회로는 적어도 하나의 학습 가능한 게이트(예: $RY(\theta)$ , $RZ(\theta)$ , $U2(\phi, \lambda)$ )를 포함해야 합니다.
매개변수 예산 (Parameter Budget): 총 학습 가능한 매개변수의 수는 30개를 초과할 수 없습니다 ( $P \le 30$ ).
실행 검증 (Execution Validation): 후보군을 제로 초기화된 매개변수로 시뮬레이션하며, 유한한 기대값을 범위 내에서 생성하는 회로만을 유지합니다.

C. 후보 평가 및 선택

각 필터링된 회로는 표준화된 하이브리드 양자 신경망(HQNN) 아키텍처에 삽입됩니다:

전-양자 클래식 네트워크 (Pre-Quantum Classical Network): 피드포워드 네트워크가 입력 특징을 회로의 큐비트 너비와 일치하는 잠재 공간(latent space)으로 매핑합니다.
양자 모듈 (Quantum Module): 입력은 매개변수화된 회전 게이트를 통해 인코딩되고, 후보 KetGPT 회로에 의해 처리된 후, 얽힘 연산(예: CNOT 체인)을 따릅니다.
학습 가능한 스킵 연결 (Learnable Skip Connection): 그래디언트 흐름을 보존하고 표현력을 높이기 위해 잔차 연결( $z_{res} = z_{quantum} + \alpha \cdot z_{classical}$ )이 도입됩니다.
후-양자 네트워크 (Post-Quantum Network): 최종 MLP는 이진 분류를 위한 로짓(logits)을 출력합니다.

선택 과정:

각 후보 회로는 Adam 옵티마이저와 이진 교차 엔트로피(Binary Cross-Entropy) 손실 함수를 사용하여 짧은 기간(5 에포크) 동안 훈련됩니다.
다수 클래스(비사기)와 소수 클래스(사기) 모두에 대해 균형 잡힌 성능을 보장하기 위해 Macro-F1 점수를 주요 선택 지표로 사용합니다.
가장 높은 검증 Macro-F1 점수를 달성한 회로를 선택하여, 20 에포크 동안 처음부터 다시 훈련시킨 후 테스트 세트에서 평가합니다.

3. 주요 기여

본 논문은 네 가지 주요 기여를 설명합니다:

제약 조건 인식 회로 필터링 (Constraint-Aware Circuit Filtering): 큐비트 수, 매개변수 제한 또는 실행 안정성을 위반하는 회로를 제외하는 파이프라인을 통해 실행 가능한 후보만을 보장합니다.
Macro-F1 점수 기반 선택: 단순 정확도보다 균형 잡힌 클래스 성능을 우선시하는 평가 전략을 제시하며, 이는 불균형한 사기 탐지에 필수적입니다.
모듈형 엔드 투 엔드 파이프라인: 전처리, 양자 모듈 선택(학습 가능한 스킵 연결 포함), 그리고 후처리를 통합하는 재현 가능한 워크플로우를 제공합니다.
절제 연구 및 성능 분석 (Ablation and Performance Analysis): 선택된 회로가 수동 설계된 회로보다 우수한 성능을 보이며, 잔차 스킵 연결이 모델의 수렴과 일반화에 필수적임을 입증하는 경험적 증거를 제시합니다.

4. 실험 결과

실험은 MacBook Air (M3 칩)에서 PennyLane 시뮬레이터를 사용하여 수행되었습니다. 선택된 회로(KetGPT의 인덱스 #221)는 6개의 큐비트와 9개의 학습 가능한 매개변수를 사용했습니다.

성능 지표: CircuitHunt가 선택한 모델은 다음을 달성했습니다:
- 97% 테스트 정확도
- 사기 및 비사기 클래스 모두에 대해 97%의 정밀도(Precision), 재현율(Recall) 및 F1-Score
- ROC-AUC 0.9946, 이는 거의 완벽한 판별력을 나타냅니다.
비교: 이 모델은 정밀도와 재현율 사이의 트레이드오프를 보이는 여러 최신 수동 설계 QML 아키텍처(EstimatorQNN, QGNN, SQNN, QFDNN)보다 뛰어난 성능을 보였습니다 (예: SQNN은 정밀도는 100%였으나 재현율은 68%에 불과했습니다).
절제 연구 (Ablation Study): 잔차 스킵 연결을 제거했을 때 성능이 크게 저하되었습니다:
- 정확도가 약 70%로 떨어졌습니다.
- Macro-F1 점수가 0.70 미만으로 하락했습니다.
- ROC-AUC는 0.7706으로 감소했습니다.
- 이는 스킵 연결이 그래디언트 흐름과 클래스 불균형 처리에 필수적임을 확인시켜 줍니다.

5. 의의 및 주장

본 논문은 CircuitHunt가 중요한 금융 애플리케이션에 QML을 배포하기 위한 확장 가능하고 작업 중심적인 도구를 제공한다고 주장합니다. 그 의의는 다음과 같습니다:

자동화: 자동화된 고성능 회로 발견을 통해 수동 튜닝에 소요되는 며칠 또는 몇 주간의 아키텍처 탐색 시간을 몇 시간으로 단축합니다.
강건성 (Robustness): 예산 인식형 프루닝(pruning)과 경험적 검증을 결합함으로써, 무작위 또는 수동 회로 선택과 관련된 높은 실패율을 완화합니다.
실용성: 자동화된 발견이 실제 불균형한 시나리오에서 전문가가 설계한 대응 모델보다 구조적으로 유효할 뿐만 아니라 경험적으로도 더 우수할 수 있음을 입증합니다.

저자들은 시뮬레이션 환경에 기반한 평가라는 점과 필터링 단계의 계산 비용 문제를 언급하며 신중한 입장을 유지합니다. 그들은 이 접근 방식이 강력한 잠재력을 보여주지만, 다른 도메인으로의 전이 가능성과 더 큰 데이터셋으로의 확장성에 대해서는 추가적인 연구가 필요하다고 결론지었습니다.