SAFE Quantum Machine Learning with Variational Quantum Classifiers

기술 요약: 변분 양자 분류기를 활용한 SAFE 양자 머신러닝

문제 제기
의료 진단과 같은 고위험 환경에 배포된 머신러닝 시스템은 예측 정확도 이상을 요구합니다. 즉, 입력 변화에 대한 강건성, 데이터 열화 하에서의 안정성, 그리고 해석 가능성을 갖추어야 합니다. 표현력이 뛰어난 전통적인 딥러닝 모델은 종종 노이즈, 분포 변화, 또는 구조화된 특징의 제거 하에서 취약성을 보입니다. 본 논문은 모델의 표현력과 신뢰성 사이의 긴장 관계를 해결하기 위해 안전성 (Secure), 정확성 (Accurate), 공정성 (Fair), 그리고 설명 가능성 (Explainable) 을 갖춘 SAFE 머신러닝을 조사합니다. 구체적으로, 하이브리드 고전 - 양자 아키텍처가 교란에 대한 민감도를 자연스럽게 제한하는 구조화된 가설 클래스를 유도할 수 있는지, 그리고 명시적 정규화에 의존하여 안정성을 강제하는 고전적 모델에 대한 원칙적인 대안이 될 수 있는지 탐구합니다.

방법론
저자들은 MRI 이미지를 활용한 뇌종양 분류를 위한 하이브리드 양자 - 고전 프레임워크를 제안합니다. 이 방법론은 제한적이고 정규화되며 경계된 가설 공간 내에서 작동하도록 설계된 변분 양자 분류기 (VQC) 와 딥 특징 추출을 통합합니다.

1. 아키텍처:

   • 특징 추출: 사전 훈련된 ResNet-18 모델이 입력 MRI 이미지에서 512 차원의 임베딩 벡터를 추출합니다.
   • VQC 이전 고전 레이어: 진폭 인코딩으로 인한 왜곡을 완화하기 위해, 훈련 가능한 고전 레이어 (선형 변환 뒤이은 GELU 활성화) 가 양자 인코딩 전에 특징 분포를 적응시킵니다. 제거 실험 (Ablation studies) 은 이 레이어가 훈련 안정성에 결정적임을 확인합니다.
   • 진폭 인코딩: 512 차원 특징 벡터가 정규화되어 9 큐비트 양자 상태 ($| \psi(x) \rangle = \sum x_i |i\rangle$) 에 임베딩됩니다.
   • 변분 양자 회로 (VQC): 인코딩된 상태는 매개변수화된 단일 큐비트 회전과 완전히 연결된 CNOT 게이트로 구성된 단일 "강한 얽힘 층 (Strongly Entangling Layer)"을 통과합니다. 이 유니터리 변환은 양자 상태의 노름을 보존합니다.
   • 읽기 (Readout): 출력은 각 큐비트에서 파울리-Z 연산자의 기대값을 측정하여 생성되며, $[-1, 1]$ 범위의 경계된 벡터를 생성한 후 최종 고전 선형 레이어를 통해 클래스 로그이트 (logits) 로 매핑됩니다.
   • 훈련: 전체 하이브리드 모델은 노이즈가 없는 양자 시뮬레이터에서 교차 엔트로피 손실을 사용하여 엔드 - 투 - 엔드로 훈련됩니다.

2. 평가 프레임워크 (SAFE-AI 지표):
   본 논문은 크라머 - 본 미세스 (CvM) 발산에서 파생된 통합 지표 군을 사용하여 모델을 평가합니다. 이러한 지표는 세 가지 차원을 평가합니다:

   • 정확도 ($RGA$): 기준 정답에 대한 순위 정확도를 측정합니다.
   • 강건성 ($RGR$): 입력이 가우시안 노이즈, 적대적 공격 (FGSM), 또는 공간 변환 (회전/이동) 에 의해 교란될 때 예측의 안정성을 측정합니다.
   • 해석 가능성 ($RGE$): Grad-CAM 을 통해 식별된 가장 관련성이 높은 이미지 영역이 점진적으로 가려질 때 예측의 안정성을 측정합니다.
     이러한 지표에 대한 곡선 아래 면적 (AUC) ($AURGA, AURGR, AURGE$) 은 스트레스 하에서의 성능 저하에 대한 간결한 측정치를 제공합니다.

주요 결과
제안된 양자 머신러닝 (QML) 모델은 6,056 개의 MRI 이미지 (교모세포종, 수막종, 종양 클래스) 데이터셋에서 평가되었으며, 선형 회귀, 서포트 벡터 머신 (SVM), 랜덤 포레스트 (RF), 그리고 얕은 다층 퍼셉트론 (MLP) 과 같은 고전적 기준 모델과 비교되었습니다.

• 예측 성능: QML 모델은 매크로 F1 점수 0.978을 달성하여 SVM 기준 모델 (0.983) 에 근접하고 선형, RF, MLP 모델을 능가했습니다. 또한 낮은 평균 제곱 오차 (0.013) 를 유지하여 안정적인 확률적 예측을 나타냈습니다.
• 노이즈에 대한 강건성: QML 모델은 가산 가우시안 노이즈에 대한 가장 높은 강건성 ($AURGR = 0.9409$) 을 보여주어 모든 고전적 기준 모델을 능가했습니다. 또한 평가된 미분 가능 모델 중 FGSM 적대적 공격에 대한 가장 높은 강건성을 달성했습니다.
• 특징 제거 하의 안정성: 랜덤 포레스트가 점진적 이미지 가림 ($AURGE$) 하에서 가장 높은 안정성을 보였으나, QML 모델도 경쟁력 있게 유지되어 선형 기준 모델을 크게 능가했습니다.
• 전체 프로파일: QML 모델은 더 균형 잡힌 SAFE 신뢰성 프로파일을 보여주었습니다. SVM 은 순위 안정성과 공간적 강건성에서, RF 는 해석 가능성 안정성에서 우수했으나, QML 은 특징 공간에서 확률론적 및 적대적 교란에 대한 가장 강력한 방어를 제공했습니다.

의의 및 주장
본 논문은 변분 양자 회로가 안정성 지향 SAFE 학습을 위한 원칙적 메커니즘을 제공한다고 주장합니다. 이 연구의 의의는 다음과 같은 이론적 및 경험적 관찰에 있습니다:

1. 유니터리성을 통한 암묵적 정규화: 민감도를 제어하기 위해 명시적 스펙트럼 정규화 또는 직교성 제약이 필요한 고전 신경망과 달리, 양자 구성 요소는 설계상 유니터리성을 만족합니다. 이는 양자 특징 맵에 내재된 1-리프시츠 (1-Lipschitz) 제약을 부과하여 입력 교란과 기울기 폭발의 임의적 증폭을 방지합니다.
2. 구조화된 가설 클래스: 정규화된 진폭 임베딩, 유니터리 변환, 그리고 경계된 관측량의 조합은 표현력이 있으면서도 제약된 가설 클래스를 생성합니다. 이 구조는 암묵적 정규화제 역할을 하여 모델의 유효 용량을 제한하고 과적합을 억제합니다.
3. 고위험 환경에서의 신뢰성: 결과는 하이브리드 양자 모델이 단순히 최고 정확도 개선을 위한 대안이 아니라, 신뢰성 인식 시스템을 위한 가치 있는 구성 요소임을 시사합니다. 이들은 노이즈와 데이터 열화 하에서 모델이 안정적으로 유지되도록 보장하는 "안전 지향"의 귀납적 편향을 제공하며, 이는 의료 영상과 같은 안전 필수 응용 분야에서 필수적인 요구사항입니다.

저자들은 QML 의 이점이 이미지 수준의 기하학적 변환보다는 추출된 특징 표현에 직접 적용된 교란 (가우시안 노이즈, FGSM) 에 대해 가장 두드러진다고 명시적으로 지적합니다. 결론적으로 제안된 모델의 가치는 경쟁력 있는 예측 성능과 내재적으로 정규화된 신뢰성 지향 아키텍처를 결합하는 능력에 있습니다.