Implementing Pearl's $\mathcal{DO}$-Calculus on Quantum Circuits: A Simpson-Type Case Study on NISQ Hardware

이 논문은 퍼들의 $\mathcal{DO}$-계산을 양자 회로에 매핑하여 '회로 수술' 개념을 도입하고, NISQ 하드웨어 (IonQ Aria) 에서 실험적으로 검증함으로써 인과적 개입 논리를 물리적 양자 장치에서 실행 가능하게 만드는 길을 제시합니다.

핵심

🎬 핵심 이야기: "양자 컴퓨터로 '만약에'를 실험하다"

이 연구의 핵심은 양자 컴퓨터를 하나의 거대한 '가상 실험실'로 사용하여, 우리가 실제로 실험하기 어려운 상황 (예: 모든 사람에게 같은 약을 강제로 먹이는 것) 을 시뮬레이션하고 그 결과를 증명했다는 점입니다.

1. 문제 상황: "심슨의 역설"이라는 착각의 함정

우리가 데이터를 볼 때 자주 하는 실수가 있습니다. 바로 "상관관계"를 "인과관계"로 잘못 아는 것입니다.

• 비유: "아이스크림을 많이 먹는 사람들은 익사 사고도 많이 당한다."
  • 틀린 결론: "아이스크림이 익사를 부른다!" (아이스크림을 금지해야 한다?)
  • 진짜 이유: **여름 (숨은 원인)**이 둘 다 영향을 줍니다. 날씨가 더우면 아이스크림도 많이 먹고, 수영도 많이 하니까 익사 사고도 늘어나는 거죠.

이런 '숨은 원인 (교란 변수)' 때문에 데이터가 뒤집혀 보이는 현상을 심슨의 역설이라고 합니다. 이 논문은 양자 컴퓨터를 이용해 이 '숨은 원인'을 제거하고 진짜 인과관계를 찾아내는 방법을 보여줍니다.

2. 해결책: "양자 회로 수술 (Circuit Surgery)"

저자는 양자 컴퓨터의 회로를 마치 외과 수술처럼 다룬다고 말합니다.

• 관측 회로 (Observational Circuit): 우리가 실제로 데이터를 수집하는 상태입니다. 여기서는 '성별'이나 '나이' 같은 숨은 원인이 치료와 결과를 모두 영향을 미칩니다.
• 개입 회로 (Interventional Circuit): 여기서 **양자 컴퓨터의 '회로 수술'**이 시작됩니다.
  • 수술 도구: 양자 게이트 (문) 를 잘라내거나 제거합니다.
  • 수술 내용: "성별이 치료 선택에 영향을 미치는 경로"를 물리적으로 끊어버립니다.
  • 결과: 이제 양자 컴퓨터는 "성별과 상관없이 모든 사람에게 치료를 강제로 적용했다"는 가상의 세계를 만들어냅니다.

이 과정을 ** Pearl 의 DO-계산 (DO-calculus)**을 양자 회로에 구현한 것이라고 합니다. 즉, **"만약 우리가 모든 사람에게 치료를 강제로 했다면?"**이라는 질문에 대한 답을 양자 컴퓨터가 직접 계산해낸 것입니다.

3. 실험 결과: "실제 양자 컴퓨터에서도 성공했다!"

저자는 이 이론을 두 가지로 검증했습니다.

1. 3-큐비트 모델 (간단한 실험): 성별, 치료, 회복 여부만 있는 간단한 모델입니다.

   • 결과: 양자 컴퓨터가 시뮬레이션한 결과와 실제 이온 트랩 (IonQ) 양자 컴퓨터에서 실행한 결과가 거의 일치했습니다.
   • 의미: "아, 양자 컴퓨터로도 인과관계를 계산할 수 있구나!"를 증명했습니다. (비록 속도가 빨라진 건 아니지만, 원리가 작동한다는 건 확인한 거죠.)

2. 10-큐비트 모델 (복잡한 의료 시나리오): 나이, 지역, 보험 등 여러 변수가 얽힌 복잡한 의료 데이터 모델입니다.

   • 결과: 일반적인 통계 방법으로는 '치료 효과'를 과소평가했습니다 (약 37% 로 보임). 하지만 양자 컴퓨터가 '수술'을 통해 숨은 원인을 제거하고 계산한 진짜 효과는 약 48% 였습니다.
   • 의미: 복잡한 세상에서는 단순한 통계만 믿으면 큰 실수를 할 수 있으며, 양자 컴퓨터가 그 '진짜 효과'를 찾아낼 수 있음을 보여줬습니다.

4. 왜 중요한가요? (일상적인 의미)

이 연구는 "양자 컴퓨터가 기존 컴퓨터보다 무조건 빠르다"는 것을 주장하는 게 아닙니다. 대신 다음과 같은 새로운 가능성을 열었습니다.

• 윤리적 실험: "유해한 약을 강제로 사람에게 먹여 효과를 보자"는 실험은 윤리적으로 불가능합니다. 하지만 양자 컴퓨터는 가상의 세계에서 이런 '강제 실험'을 안전하게 시뮬레이션할 수 있습니다.
• 공정한 AI: 인공지능이 편향된 데이터 (예: 특정 성별이나 인종에 불리한 데이터) 를 학습하지 않도록, 인과관계를 명확히 구분해 주는 도구가 될 수 있습니다.
• 과학적 발견: 유전자, 신약 개발, 경제 정책 등 복잡한 시스템에서 "만약 A 를 바꾸면 B 가 어떻게 변할까?"를 정확히 예측하는 '디지털 실험실' 역할을 할 수 있습니다.

📝 한 줄 요약

"양자 컴퓨터를 수술용 칼처럼 써서, 데이터 속의 '숨은 원인'을 잘라내고 진짜 인과관계를 찾아내는 새로운 방법을 개발하고, 실제 양자 기계에서 성공적으로 증명했습니다."

이 연구는 양자 컴퓨팅이 단순히 계산 속도를 높이는 것을 넘어, 우리가 세상을 이해하는 방식 (인과 추론) 자체를 물리적으로 구현할 수 있는 첫걸음을 뗐다는 점에서 매우 의미가 큽니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 상관관계와 인과관계의 구분: 머신 인텔리전스 및 데이터 기반 AI 시스템에서 상관관계와 인과관계를 구분하는 것은 핵심적인 과제입니다. 특히 의료, 금융, 자율 시스템과 같은 고위험 분야에서 허위 상관관계에 기반한 결정은 편향되고 위험한 결과를 초래할 수 있습니다.
• 심슨의 역설 (Simpson's Paradox): 하위 집단 내에서는 특정 경향이 관찰되지만, 전체 데이터를 합산하면 그 경향이 반전되거나 사라지는 통계적 현상입니다. 이는 숨겨진 교란 변수 (Confounder) 가 존재할 때 발생하며, 관찰 데이터만으로는 진정한 인과 효과를 추정하기 어렵게 만듭니다.
• 기존 방법의 한계: 퍼얼 (Pearl) 의 DO-계산 (DO-calculus) 은 인과적 개입을 수학적으로 엄밀하게 정의하지만, 이는 주로 확률 분포에 대한 추상적 기호 연산으로 구현됩니다. 이를 물리적 시스템, 특히 양자 장치에서 실행 가능한 의미론 (executable semantics) 으로 구현할 수 있는지에 대한 질문이 남았습니다.
• 연구 목표: 양자 회로를 사용하여 인과 네트워크를 모델링하고, DO-계산의 '그래프 수술 (Graph Surgery)' 개념을 양자 회로의 구조적 변경 ('회로 수술, Circuit Surgery') 으로 매핑하여 물리적으로 구현하고 검증하는 것입니다.

2. 방법론 (Methodology)

저자는 구조적 인과 모델 (SCM) 을 양자 회로로 변환하는 프레임워크를 제안하며, 다음과 같은 핵심 기법을 사용합니다.

• 인과 네트워크의 양자 매핑:
  • 노드 (Nodes): 이진 변수 (예: 성별, 치료, 결과) 를 큐비트 레지스터로 인코딩합니다.
  • 화살표 (Edges): 인과적 연결은 제어 회전 게이트 (Controlled-Rotation Gates, 예: $CRY(\theta)$) 로 구현합니다. 제어 큐비트의 상태에 따라 타겟 큐비트에 회전 각도 $\theta$를 적용하여 조건부 확률을 표현합니다.
  • 관측 회로 (Observational Circuit): 모든 인과 화살표 (교란 경로 포함) 를 게이트로 구현하여 관측 확률 분포 $P(O|T)$ 를 생성합니다.
• 회로 수술 (Circuit Surgery) 을 통한 DO-연산 구현:
  • DO-계산의 핵심인 개입 $DO(T=t)$는 인과 그래프에서$T$ 로 들어오는 화살표를 제거하는 '그래프 수술'에 해당합니다.
  • 양자 회로에서는 관측 회로에서 교란 변수에서 치료 변수로 가는 게이트 (예: $G \to T$) 를 물리적으로 제거하고, 치료 큐비트를 원하는 상태 ($|t\rangle$) 로 결정적으로 준비 (State Preparation) 함으로써 개입 회로를 구성합니다.
  • 이 과정은 개입 후의 분포 $P(O, G | DO(T=t))$ 를 샘플링할 수 있는 새로운 물리적 시스템을 만듭니다.
• 심슨 역설 해결:
  • 관찰 데이터 (관측 회로) 와 개입 데이터 (수술된 회로) 를 비교하여 심슨 역설을 식별합니다.
  • 백도어 조정 (Backdoor Adjustment) 공식을 양자 회로 연산 (측정, 조건부 선택, 합산) 으로 구현하여 교란 변수를 보정하고 진정한 인과 효과 (ACE) 를 계산합니다.

3. 주요 기여 (Key Contributions)

1. 이진 SCM 의 양자 회로 컴파일: 노드를 큐비트로, 조건부 확률을 제어 회전 게이트로, 그리고 DO-연산자를 '회로 수술' 규칙으로 변환하는 구체적인 컴파일 방법을 제시했습니다.
2. 심슨 역설의 양자적 구현 및 검증: 3-큐비트 교란 치료 모델을 통해 심슨 역설을 재현하고, DO-계산에 의한 해결이 시뮬레이션과 실제 양자 하드웨어 (IonQ Aria) 에서 모두 성공적으로 수행됨을 입증했습니다.
3. 확장성 입증: 10-큐비트 합성 의료 네트워크 모델을 통해 다단계 교란이 존재하는 복잡한 시스템에서도 양자 DO-계산이 단순한 통계적 층화 (Stratification) 보다 우월하게 교란 편향을 정량화하고 해결할 수 있음을 보였습니다.
4. NISQ 하드웨어 실증: 양자 우월성 (Speedup) 을 주장하지는 않았으나, 현재 잡음이 있는 중간 규모 양자 (NISQ) 장치에서 고전적 DO-계산의 실행 가능성과 물리적 구현 경로를 확립했습니다.

4. 실험 결과 (Results)

• 3-큐비트 모델 (심슨 역설):
  • 관측 데이터: 남성과 여성 하위 집단 각각에서는 치료 효과가 긍정적이었으나, 전체 데이터를 합산하면 효과가 음수 (-0.061) 로 반전되는 심슨 역설이 시뮬레이션 및 IonQ 하드웨어에서 재현되었습니다.
  • 개입 데이터 (DO-연산): 회로 수술을 적용한 결과, 하위 집단의 긍정적 효과가 유지되고 전체 평균 인과 효과 (ACE) 가 양수 (+0.232 시뮬레이션, +0.222 하드웨어) 로 올바르게 복원되었습니다.
  • 하드웨어 성능: IonQ Aria 에서 실행 시 잡음으로 인해 오차 범위가 넓어졌으나, 인과적 신호의 방향성과 크기는 고전적 시뮬레이션과 높은 일치도를 보였습니다.
• 10-큐비트 모델 (복잡한 의료 네트워크):
  • 단순한 층화 (Stratification) 는 교란 변수 (Age, Region) 선택에 따라 상반된 결과를 초래하거나 부분적인 보정만 가능했습니다.
  • 반면, 양자 DO-계산을 통한 개입은 모든 교란 경로를 동시에 고려하여 진정한 인과 효과 (+0.486) 를 정확히 추정했습니다. 관찰 데이터 (+0.377) 는 실제 효과를 22% 이상 과소평가하고 있음을 보였습니다.

5. 의의 및 결론 (Significance)

• 물리적 인과 추론의 새로운 패러다임: DO-계산이 단순한 수학적 도구를 넘어, 양자 회로의 물리적 동역학 (게이트 제거 및 상태 준비) 으로 직접 구현될 수 있음을 입증했습니다.
• AI 의 신뢰성 및 공정성: 허위 상관관계에 기반한 편향을 제거하고 진정한 인과적 원인을 파악함으로써, 의료 진단, 정책 결정 등 고위험 분야에서 더 신뢰할 수 있고 설명 가능한 AI 시스템을 구축하는 데 기여합니다.
• 계산적 실험실 (Computational Laboratory): 실제 실험 (RCT) 이 불가능하거나 비윤리적인 시나리오 (예: 유해한 행동 강제, 역사적 사건 재현) 에 대해 양자 회로를 통해 다양한 "What-if" 시나리오를 안전하게 시뮬레이션할 수 있는 도구를 제공합니다.
• 한계 및 향후 과제: 현재는 인과 그래프가 사전에 알려져 있다는 전제가 필요하며, NISQ 장치의 잡음 문제와 대규모 네트워크에서의 확장성 향상이 필요합니다. 향후 양자 알고리즘을 통한 인과 그래프 발견 (Causal Discovery) 및 잡음 내성 회로 설계가 중요한 연구 방향이 될 것입니다.

이 논문은 양자 컴퓨팅과 인과 추론의 교차점에서, 고전적 인과 이론을 양자 하드웨어에서 실행 가능한 형태로 전환하는 구체적인 사례를 제시했다는 점에서 중요한 의의를 가집니다.