Hybrid Quantum-Classical AI for Industrial Defect Classification in Welding Images

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 자동차, 항공우주, 중장비 등 산업 분야에서 용접은 구조적 안전성을 결정하는 핵심 공정입니다. 자동화된 품질 관리 (Quality Control) 는 결함을 조기에 발견하고 공정을 최적화하는 데 필수적입니다.
• 문제점:
  • 기존 심층 학습 (CNN) 기반 이미지 분류 모델은 높은 정확도를 보이지만, 고해상도 이미지 처리를 위해 막대한 계산 자원을 요구합니다.
  • 현재는 NISQ(Noisy Intermediate-Scale Quantum, 잡음이 있는 중규모 양자) 시대에 해당하며, 완전한 오류 정정 양자 컴퓨팅은 아직 실현되지 않았습니다.
  • 고해상도 이미지를 직접 양자 프로세서에 인코딩하는 것은 큐비트 수의 한계와 회로 깊이 (Circuit Depth) 문제로 인해 불가능합니다.
• 목표: 제한된 NISQ 하드웨어 환경에서도 실용적인 성능을 낼 수 있는 하이브리드 양자 - 고전 (Hybrid Quantum-Classical) 모델을 개발하여, 알루미늄 TIG 용접 이미지의 결함 분류 (양호/불량, 다중 클래스) 에 적용하고 그 성능을 검증하는 것.

2. 방법론 (Methodology)

연구팀은 고전적인 CNN 을 특징 추출기 (Feature Extractor) 로 사용하고, 추출된 저차원 특징 벡터를 양자 회로에 입력하여 분류하는 두 가지 다른 하이브리드 접근법을 제안했습니다.

A. 공통 단계: 특징 추출 (Feature Extraction)

• CNN 아키텍처: 용접 이미지 분류에 특화된 'Model-1' [12] 을 기반으로 한 CNN 을 사용하여 고차원 픽셀 공간 (800x974) 에서 저차원 특징 벡터 (7, 15, 31, 63, 127 차원) 로 변환합니다.
• 목적: 양자 하드웨어의 큐비트 수 제한을 극복하고, 양자 회로가 처리 가능한 정보 밀도 높은 특징을 추출합니다.

B. 제안된 두 가지 양자 모델

1. VQLS 기반 양자 커널 SVM (VQLS-Enhanced QSVM)

• 개념: 고전 SVM 을 양자 영역으로 확장한 모델입니다.
• 프로세스:
  1. CNN 특징 벡터를 정규화 후 양자 상태 (Quantum State) 로 인코딩 (Rotation 및 Entangling 게이트 사용).
  2. 양자 상태의 내적을 통해 **양자 커널 행렬 (Quantum Kernel Matrix)**을 구성하여 데이터를 고차원 힐베르트 공간으로 매핑합니다.
  3. SVM 최적화 문제를 선형 시스템 ($M\alpha = b$) 으로 변환합니다.
  4. VQLS (Variational Quantum Linear Solver) 알고리즘을 사용하여 이 선형 시스템의 해를 양자 하드웨어에서 근사적으로 풉니다.
  5. COBYLA 최적화기를 사용하여 비용 함수를 최소화합니다.
• 특징: 커널 트릭을 활용하여 비선형 분류 경계를 찾지만, 커널 행렬의 조건수 (Condition Number) 와 회로 평가 횟수로 인해 계산 비용이 높을 수 있습니다.

2. 변분 양자 회로 기반 분류기 (VQC-Based Classifier)

• 개념: 변분 양자 회로 (VQC) 를 직접 분류기로 사용하는 모델입니다.
• 프로세스:
  1. CNN 특징 벡터를 4 큐비트 (또는 최적화된 큐비트 수) 에 맞게 차원 축소 (선형 변환).
  2. 각도 인코딩 (Angle Encoding): 특징 값을 $R_y$ 게이트의 각도로 매핑하여 초기 양자 상태 생성.
  3. 변분 회로: 학습 가능한 $R_y$ 게이트와 엔탱글링 $CX$ 게이트로 구성된 얕은 회로 (Hardware-efficient Ansatz) 를 적용합니다.
  4. 측정: 파울리-Z 기저에서 기대값을 측정하여 고전적인 선형 레이어와 Softmax 를 거쳐 최종 분류 확률을 출력합니다.
• 특징: 그라디언트 하강법 (Adam 옵티마이저, 파라미터 쉬프트 규칙) 을 사용하여 엔드 - 투 - 엔드 학습이 가능하며, NISQ 환경에 더 적합하도록 설계되었습니다.

C. 실험 설정

• 데이터셋: Kaggle 의 알루미늄 TIG 용접 이미지 데이터셋 (약 30,000 장 중 1,100 장 사용).
  • 클래스: 양호 (Good), 오염 (Contamination), 융합 부족 (Lack of fusion).
  • 작업: 이진 분류 (양호 vs 불량) 및 3 클래스 분류.
• 하이퍼파라미터 튜닝: Ray Tune 과 PBT(Population-Based Training) 를 사용하여 배치 크기, 특징 크기, 큐비트 수 등을 최적화했습니다. 최적 구성은 특징 크기 63, 4 큐비트로 결정되었습니다.

3. 주요 결과 (Results)

실험은 특징 크기 63 을 기준으로 이진 및 3 클래스 분류 작업에서 세 모델 (고전 CNN, VQLS-QSVM, VQC) 을 비교했습니다.

• 성능 분석:
  • VQC 모델: 이진 및 다중 클래스 모두에서 고전 CNN 에 필적하는 성능을 보이며, 얕은 회로 깊이와 효율적인 학습으로 인해 NISQ 장치에 가장 적합한 것으로 나타났습니다.
  • VQLS-QSVM: 이진 분류에서는 좋은 성능을 보였으나, 다중 클래스 분류 시 커널 행렬 계산의 복잡성과 회로 깊이 증가로 인해 성능이 저하되고 학습 시간이 길어졌습니다.
  • 데이터 특성: '오염'과 '융합 부족' 결함이 시각적으로 뚜렷하여 모든 모델이 높은 분류 성능을 보였습니다.

4. 주요 기여 (Key Contributions)

1. 산업용 하이브리드 아키텍처 검증: 고해상도 산업 이미지 (용접) 에 대해 CNN 기반 특징 추출과 양자 분류기를 결합한 실용적인 파이프라인을 구축하고 검증했습니다.
2. 두 가지 양자 접근법 비교: 커널 기반 방법 (VQLS-QSVM) 과 변분 회로 기반 방법 (VQC) 의 성능, 학습 효율성, 확장성을 체계적으로 비교 분석했습니다.
3. NISQ 환경 최적화: 제한된 큐비트 수와 잡음 환경에서도 경쟁력 있는 성능을 내기 위한 특징 크기 (63) 와 큐비트 구성 (4 큐비트) 을 실험을 통해 도출했습니다.
4. 실제 데이터 적용: Kaggle 의 실제 산업용 TIG 용접 데이터를 사용하여 이론적 모델이 아닌 실제 적용 가능성을 입증했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 실용성: 이 연구는 양자 머신러닝이 아직 초기 단계 (NISQ) 임에도 불구하고, 고전적인 딥러닝 모델에 비해 열등하지 않은 성능을 산업용 결함 검출 과제로 달성할 수 있음을 보여줍니다.
• 미래 전망: VQC 기반 접근법이 특히 유망하며, 양자 하드웨어가 발전함에 따라 이러한 하이브리드 시스템은 자동화된 산업 검사 (비파괴 검사 등) 에서 더욱 확장 가능하고 실용적인 도구가 될 것으로 기대됩니다.
• 한계와 기회: 현재는 고전 CNN 이 여전히 최상의 성능을 보이지만, 양자 모델은 데이터의 고차원적 상관관계를 포착할 잠재력을 가지고 있으며, 하드웨어의 발전과 함께 그 우위가 드러날 가능성이 있습니다.

요약하자면, 이 논문은 양자 컴퓨팅이 산업 현장의 품질 관리에 즉시 적용 가능한 기술로 성장할 수 있는 가능성을 구체적인 실험을 통해 입증한 중요한 연구입니다.