Quantum Machine Learning for Climate Modelling

기술 요약: 기후 모델링을 위한 양자 머신러닝

문제 정의
지구 시스템 모델(ESM)은 미래의 기후 변화를 투영하는 데 필수적이지만, 구름 미세물리, 난류, 대류와 같은 중요한 하위 격자 규모 프로세스를 해결할 수 없는 거친 해상도(수십 킬로미터)로 작동합니다. 이러한 미해결 프로세스는 현재 경험적 매개변수화(parameterizations)에 의해 처리되며, 이는 기후 투영에 상당한 불확실성과 편향을 유발합니다. 고전적 머신러닝(ML)이 데이터 기반 모델로 이러한 매개변수화를 대체하는 데 가능성을 보여주었으나, 학습 범위를 벗어난 일반화 능력과 학습된 관계의 물리적 일관성 측면에서 여전히 과제가 남아 있습니다. 본 논문은 양자 머신러닝(QML), 특히 양자 신경망(QNN)이 ESM의 핵심 요소인 구름 피복(cloud cover)을 위한 매개변수화를 개발하는 데 이점을 제공할 수 있는지 조사합니다.

방법론
저자들은 ICON 기후 모델의 구름 피복을 매개변수화하기 위해 하이브리드 양자-고전 접근 방식을 개발했습니다.

• 데이터 생성: 훈련 데이터는 DYAMOND 프로젝트 내에서 ICON 모델을 사용한 고해상도(수평 2.5 km) 전지구 시뮬레이션으로부터 도출되었습니다. 다중 스케일 모델링 프레임워크(MMF)를 사용한 이전 연구들과 달리, 본 접근 방식은 데이터 생성과 대상 적용에 동일한 모델을 사용하여 스케일 분리 가정을 피했습니다.
• 전처리: 고해상도 데이터를 대상 ESM 해상도에 맞추기 위해 80 km로 조립(coarse-grained)했습니다. 특정 구름 응축물이 특정 임계값을 초과하는 경우 해당 격자 셀을 구름이 있는 것으로 정의했습니다. 종속 변수는 구름 피복 분율(0 ~ 1)입니다.
• 입력 특징량: 모델은 비습($q_v$), 구름 물/얼음 함량($q_c, q_i$), 기온($T$), 기압($p$), 수평 풍속 크기($h_w$), 기하학적 높이($z_g$), 위도($\phi$)를 포함한 거친 상태 변수를 활용했습니다.
• 모델 아키텍처:
  • QNN: 큐비트 수가 입력 특징량의 수(6 또는 8)와 동일한 매개변수화된 양자 회로가 채택되었습니다. 아키텍처는 데이터 재업로드(입력 특징량을 여러 층의 회전 각도로 인코딩)를 포함하며, 이는 얽힘 게이트(entangling gates)와 학습 가능한 파라미터를 가진 변분 블록(variational blocks)과 교차 배치됩니다. 출력은 Pauli-Z 연산자의 기대값으로부터 유도되며, 구름 피복을 예측하기 위해 단순 선형 층(가중 평균 및 편향)을 통해 처리됩니다.
  • 고전적 NN: 비교를 위해 세 개의 은닉층(12, 6, 2 노드)과 비선형 활성화 함수(leaky-ReLU 또는 tanh)를 가진 고전적 신경망이 구축되었습니다. 결정적으로, 고전적 NN은 표현력(expressivity)에 대한 공정한 비교를 위해 QNN과 유사한 수의 자유 파라미터(~203개 vs QNN ~200–201개)를 갖도록 설계되었습니다.
• 훈련 및 설명 가능성: 모델은 평균 제곱 오차(MSE)와 경사 하강법(QNN을 위한 파라미터 시프트 규칙 활용)을 사용하여 200 에포크 동안 훈련되었습니다. 학습된 관계의 물리적 일관성을 분석하기 위해, 저자들은 여러 훈련 사례에 걸친 특징 중요도의 안정성을 평가하고자 모델 불가지론적 설명 방법인 SHAP(SHapley Additive exPlanations) 값을 적용했습니다.

주요 결과

• 예측 성능: QNN은 유사한 수의 파라미터를 가진 고전적 NN과 대등한 성능을 달침하였으며, 고전적 NN이 약간의 우위를 보였습니다. 두 ML 접근 방식 모두 기후 모델에서 사용되는 전통적인 Xu-Randall 매개변수화 방식보다 뛰어난 성능을 보였습니다.
• 노이즈 강건성: 샷 노이즈(shot noise)를 포함한 시뮬레이션 결과, 샷 수($n_{shots}$)가 $10^4$를 초과하는 한 QNN은 안정적인 성능을 유지함을 보여주었습니다. 이 임계값 아래에서는 그래디언트 노이즈로 인해 훈련이 불안정해지지만, 분산 정규화 기술을 통해 이를 완화할 수 있습니다.
• 학습 일관성 (설명 가능성): SHAP 분석에서 중요한 발견이 나타났습니다. 두 모델 모두 유사한 정확도를 달성했지만, 고전적 NN이 학습한 특징 중요도는 서로 다른 훈련 사례(무작위 초기화)에 따라 크게 달랐습니다. 반면, QNN은 매우 안정적인 특징 중요도를 보였습니다. 구체적으로, QNN은 비습과 기온을 가장 중요한 특징으로 일관되게 식별하였으며, 이는 물리적 기대치와 일치합니다. 고전적 NN은 때때로 특징 중요성에 대해 일관되지 않거나 잠재적으로 비물리적인 관계를 학습했습니다.

의의 및 주장
본 논문은 QNN이 고전적 NN의 실행 가능한 대안이 될 수 있으며, 고전적 상대 모델과 대등한 성능을 제공하는 동시에 일관된 물리적 관계를 학습하는 데 있어 우수한 강건성을 입증한다고 주장합니다. 저자들은 QNN이 고전적 네트워크에 비해 스퓨리어스 상관관계(spurious correlations)를 학습할 가능성이 적다는 것을 시사하는 안정적인 특징 중요도 수렴 능력을 가지고 있다고 상정하며, 이는 변화하는 기후에 대한 일반화가 필수적인 기후 모델링에서 중요한 특성입니다.

본 연구는 QML이 기후 응용 분야를 위해 현재의 NISQ(Noisy Intermediate-Scale Quantum) 장치(또는 시뮬레이터)에서 효과적으로 개발될 수 있음을 보여줍니다. 저자들은 QML 매개변수화를 기후 모델에서 온라인으로 실행하는 것이 현재 계산 오버헤드 문제를 안고 있지만, 훈련된 QML 모델의 "대리 모델(surrogates)" 또는 "섀도우(shadows)"를 사용하여 실시간 양자 하드웨어를 요구하지 않고도 훈련 단계의 이점을 유지하면서 운영 배포를 할 수 있다고 제안합니다. 향후 연구로는 더 큰 문제 규모로의 확장, 양자 합성곱 신경망(Quantum Convolutional Neural Networks, 베런 플래토를 피하기 위함), 그리고 더 복잡한 매개변수화(예: 경계층 난류) 등이 제시되었습니다.