Enhancing Blood Cells Classification using Hybrid Quantum Neural Networks

본 논문은 사전 학습된 ResNet-50 백본과 변분 양자 회로를 통합하여 공공 데이터셋과 IBM 양자 하드웨어에서 기존 고전적 기준 대비 우수한 혈액 세포 분류 성능과 잡음에 대한 강인함을 입증하는 하이브리드 양자-고전 신경망 (HQNN) 아키텍처를 제안합니다.

핵심

마이크로스코프 아래에서 다양한 종류의 미세한 혈액 세포를 식별하려는 의사가 되어 상상해 보세요. 어떤 세포들은 거의 똑같이 보입니다. 약간 다른 모자를 쓴 쌍둥이처럼요. 전통적으로 컴퓨터 (고전적 딥러닝을 사용하는) 는 이 작업에 매우 능숙했지만, 차이가 극도로 미묘할 때는 혼란을 겪기도 합니다.

이 논문은 다음과 같은 큰 질문을 던집니다: 만약 컴퓨터에 이러한 미세한 차이를 더 잘 파악하도록 돕는 "양자 초능력"을 부여한다면 어떨까요?

다음은 그들의 실험 이야기를 쉽게 설명한 것입니다:

1. 설정: 세 발 달리기

시험이 공정하도록 보장하기 위해 연구자들은 단순히 "양자 컴퓨터"를 "일반 컴퓨터"와 비교하지 않았습니다. 양자 컴퓨터가 단순히 더 크거나 부품이 더 많을 수 있기 때문에 이는 공정하지 않기 때문입니다.

대신, 그들은 사고 과정의 하나의 특정 단계를 제외하고는 모든 면에서 완전히 동일한 세 개의 동일한 팀을 구성했습니다:

• 팀 A (기준선): 컴퓨터가 세포를 보고, 이미지를 단순화한 후 즉시 유형을 추측합니다.
• 팀 B (고전적 매칭): 컴퓨터가 세포를 보고, 이미지를 단순화한 후 추측하기 전에 추가 "사고 층"(표준 수학 층)을 통과시킵니다. 이는 팀 B 가 더 잘 수행한다면 마법 때문이 아니라 더 많은 수학을 사용했기 때문임을 보장합니다.
• 팀 C (하이브리드 양자 팀): 컴퓨터가 세포를 보고, 이미지를 단순화한 후 **양자 "사고 층"**을 통과시킵니다.

유추: 시험을 치르는 세 명의 학생을 상상해 보세요.

• 학생 A 는 문제를 읽고 답을 씁니다.
• 학생 B 는 문제를 읽고, 표준 계산기를 사용하여 5 초간 생각한 후 답을 씁니다.
• 학생 C 는 문제를 읽고, 양자 계산기를 사용하여 5 초간 생각한 후 답을 씁니다.

연구자들은 표준 계산기 (학생 B) 보다 양자 계산기 (학생 C) 가 실제로 어려운 부분을 더 잘 해결하는지 확인하고자 했습니다.

2. "양자 층": 새로운 종류의 렌즈

양자 부분은 어떻게 작동할까요?
컴퓨터의 "두뇌"를 정보를 정리하는 방이라고 생각해 보세요.

• 고전적 컴퓨터는 데이터를 책장 위의 책처럼 정리합니다: 한 권의 책이 다른 책 옆에 놓여 있습니다.
• 양자 컴퓨터는 데이터를 만화경처럼 정리할 수 있습니다. "얽힘 (entanglement)"이라는 현상 덕분에 여러 각도에서 동시에 이미지의 모든 조각을 한 번에 볼 수 있습니다.

이 연구에서 "양자 층"은 단순화된 혈액 세포 이미지를 가져와 이 만화경 시야로 비틀어주는 특수 렌즈처럼 작용합니다. 이 시야가 "쌍둥이" 세포 (단핵구와 호중구 등) 간의 차이를 훨씬 더 명확하게 만들어 줄 것이라는 기대가 있습니다.

3. 결과: 누가 이겼을까?

연구자들은 이 팀들을 두 가지 다른 혈액 세포 이미지 세트에 대해 테스트했습니다:

1. "쉬운" 세트 (4 가지 세포 유형): 고양이, 개, 새, 물고기를 구분하는 것과 같습니다.
2. "어려운" 세트 (8 가지 세포 유형): 모두 매우 비슷해 보이는 8 가지 다른 견종을 구분하는 것과 같습니다.

연구 결과:

• "쉬운" 세트에서: 양자 팀 (팀 C) 이 명확하게 승리했습니다. 다른 팀들보다 약 3.7% 더 많은 정답을 얻었습니다. 특히 까다로운 "쌍둥이" 세포들을 구별하는 데 탁월했습니다.
• "어려운" 세트에서: 모두 이미 훌륭한 성과 (거의 완벽한 점수) 를 내고 있었습니다. 그러나 양자 팀은 여전히 약간의 정확도를 더 끌어올리는 데 성공했습니다. 다른 팀들과 "무승부"에 머무른 유일한 팀이 아니었으며, 상황이 이미 거의 완벽했을 때에도 약간씩 계속 개선되었습니다.
• "실제 세계" 테스트: 연구자들은 시뮬레이션이 아닌 **실제 물리적 양자 컴퓨터 (IBM 제작)**에서 양자 팀을 실행하기도 했습니다.
  • 문제점: 실제 양자 컴퓨터는 현재 약간 "노이즈가 있는" 상태입니다 (바람 부는 방에서 속삭임을 듣는 것과 같습니다).
  • 결과: 노이즈로 인해 성능이 약간 떨어졌지만, 모델은 여전히 견고했습니다. 충돌하지 않았으며 단지 정확도가 약간 낮아졌을 뿐입니다. 이는 실제 불완전한 하드웨어에서도 아이디어가 작동함을 증명합니다.

4. 큰 교훈

이 논문은 양자 머신러닝이 단순히 유행어가 아님을 결론지었습니다.

연구자들이 양자 팀을 "추가 사고 층" 팀 (팀 B) 과 비교했을 때, 양자 팀이 더 잘 수행했습니다. 이는 개선이 단순히 더 많은 수학을 추가했기 때문이 아니라, 양자 수학 자체가 혈액 세포의 미세하고 미묘한 차이를 포착하는 데 더 뛰어났기 때문임을 증명합니다.

간단히 말해: 양자 "렌즈"를 사용하여 혈액 세포를 관찰함으로써 컴퓨터는 더 나은 탐정이 되었습니다. 특히 용의자들 (세포) 이 거의 똑같이 보일 때 특히 그렇습니다. 이는 미래에 이러한 하이브리드 시스템이 인간의 눈이나 일반 컴퓨터가 혼란을 겪을 수 있는 까다로운 경우를 포함하여 의사가 질병을 더 빠르고 정확하게 진단하는 데 도움을 줄 수 있음을 시사합니다.

기술 요약

기술 요약: 하이브리드 양자 신경망을 활용한 혈액 세포 분류 성능 향상

문제 제기

현미경 혈액 세포의 정확한 분류는 의료 영상 분석에서 여전히 중요한 과제로 남아 있습니다. 합성곱 신경망 (CNN) 이 수동 검토를 대체했지만, 세밀한 분류 작업에서는 뚜렷한 한계에 직면해 있습니다. 구체적으로 CNN 은 미묘한 형태학적 차이, 중첩된 시각적 특성 (예: 단핵구와 호중구의 구분), 그리고 높은 클래스 내 변이성 처리에 어려움을 겪습니다. 또한, 표준 딥러닝 모델은 고차원 생체 의학적 영상에 내재된 복잡하고 비선형적인 상관관계를 매핑하는 능력을 제한할 수 있는 고전적 벡터 공간의 수학적 한계에 제약받습니다. 저자들은 하이브리드 양자 - 고전 신경망 (HQNN) 이 고차원 힐베르트 공간과 양자 얽힘을 활용하여 특징 표현을 강화하고 이러한 모호한 사례를 해결할 수 있다고 주장합니다.

방법론

본 연구는 양자 특징 변환의 특정 기여도를 분리하기 위해 설계된 모듈형 HQNN 아키텍처를 제안합니다. 시스템은 다음 세 단계의 파이프라인을 따릅니다:

1. 특징 추출: 사전 훈련된 ResNet-50 백본 (ImageNet 가중치로 초기화) 이 입력 이미지 (256x256x3) 에서 고수준 시각적 특징을 추출합니다. 최종 분류 계층은 제거되어 2048 차원 특징 벡터를 출력합니다.
2. 차원 축소: 완전 연결 계층이 2048 차원 벡터를 10 차원 잠재 공간으로 축소합니다. 각도 기반 양자 인코딩을 용이하게 하기 위해 값을 경계 짓는 하이퍼볼릭 탄젠트 ($tanh$) 활성화 함수가 적용됩니다.
3. 중간 변환 및 분류: 이는 세 가지 서로 다른 아키텍처를 비교하는 가변 단계입니다:
   • HQNN 모델: 10 차원 잠재 벡터가 각도 임베딩(Y 축 회전) 을 사용하여 양자 상태로 인코딩됩니다. 이는 10 개의 큐비트와 4 개의 학습 가능한 계층으로 구성된 **변분 양자 회로 (VQC)**에 의해 처리됩니다. 각 계층은 학습 가능한 $RY$ 회전을 적용한 후 얽힘을 위해 링 구조 패턴의 제어 NOT(CNOT) 게이트를 적용합니다. 출력은 파울리 -Z 기대값을 통해 측정되어 10 차원 양자 특징 벡터를 생성합니다.
   • 고전 매칭 모델: 양자 회로는 고전적 비선형 블록 (선형 변환 + $tanh$) 으로 대체되며, 양자 계층 (40 개 파라미터) 과 비교 가능한 파라미터 수 (110 개 파라미터) 를 갖습니다.
   • 고전 베이스라인: 중간 변환 단계가 완전히 제거되어 잠재 벡터가 분류기로 직접 전달됩니다.

모든 모델은 동일한 경량 분류 헤드 (32 개의 숨겨진 유닛, ReLU, 드롭아웃) 를 공유하며, 라벨 스무딩이 적용된 포칼 손실 (Focal Loss), Adam 옵티마이저, 코사인 어닐링 학습률 스케줄링을 사용하여 훈련됩니다.

주요 기여

본 논문은 네 가지 주요 기여를 합니다:

1. 제어된 비교 프레임워크: 중간 변환 단계 (양자 대 고전) 의 효과를 분리하기 위해 백본, 병목 크기, 분류기 헤드를 엄격하게 통제하는 모듈형 아키텍처.
2. 공정한 고전 베이스라인: 양자 회로와 비교 가능한 용량의 추가 비선형 계층을 갖춘 "고전 매칭 모델" 도입으로, 성능 향상이 단순히 파라미터 수 증가에 기인한 것이 아님을 보장.
3. 실제 하드웨어 검증: 소프트웨어 시뮬레이션을 넘어 현실적인 노이즈와 하드웨어 제약 하의 견고성을 평가하기 위해 IBM 양자 하드웨어(특히 ibm_fez 백엔드) 에서 HQNN 모델 실행.
4. 양자 우위 실증 분석: 높은 클래스 내 변이성과 미묘한 클래스 간 차이로 특징지어지는 까다로운 분류 시나리오에서 성능 향상을 정량화.

실험 결과

모델은 두 개의 공개 데이터셋인 Blood Cell Images Dataset(4 개 클래스) 과 Peripheral Blood Cell (PBC) Dataset(8 개 클래스) 에서 평가되었습니다.

• Blood Cell Images Dataset(4 개 클래스):

  • HQNN 모델은 마이크로 F1 점수 0.9153을 달성하여 고전 매칭 모델 (0.8862) 과 고전 베이스라인 (0.8784) 을 능가했습니다.
  • 이는 베이스라인 대비 약 **3.7%**의 개선입니다.
  • HQNN 은 호중구와 단핵구와 같은 까다로운 클래스를 구분하는 데 가장 큰 향상을 보였으며, 시각적으로 유사한 세포 유형 간의 혼동을 줄였습니다.

• PBC Dataset(8 개 클래스):

  • 데이터셋의 특성상 모든 모델의 성능이 거의 포화 상태였습니다.
  • HQNN 은 여전히 정확도 0.9967과 마이크로 F1 점수 0.9869로 가장 높은 지표를 달성하여 고전 매칭 모델 (0.9854) 과 베이스라인 (0.9851) 을 약간 능가했습니다.
  • 미성숙 과립구와 호중구와 같은 까다로운 클래스에서 개선이 관찰되었습니다.

• 데이터 효율성:

  • Blood Cell Images 데이터셋의 **25%**만으로 훈련되었을 때, HQNN 은 데이터가 부족한 시나리오에서의 견고성을 시사하는 고전적 대응 모델 (정확도 94.55%, F1 89.33%) 보다 명확한 우위를 유지했습니다.

• 하드웨어 검증:

  • 실제 IBM 양자 하드웨어에서 모델은 노이즈 없는 시뮬레이터 (정확도: 0.9250) 에 비해 약 2.5~3% 의 modest 한 성능 저하 (정확도: 0.9000) 를 경험했습니다.
  • 노이즈에도 불구하고 모델은 특히 림프구와 같이 잘 분리된 클래스에서 견고하게 유지되어 현재 노이즈가 있는 중간 규모 양자 (NISQ) 장치에서 HQNN 의 실현 가능성을 확인했습니다.

중요성 및 주장

본 논문은 양자 특징 변환이 의료 영상, 특히 고전적 모델이 어려움을 겪는 복잡한 분류 작업을 해결하는 데 있어 실질적인 이점을 검증한다고 주장합니다. 엄격하고 통제된 실험 설계를 통해 저자들은 관찰된 성능 향상이 단순히 파라미터 추가가 아니라 양자 계층의 고유한 변환 특성에서 비롯됨을 입증했습니다.

본 연구는 잘 선별된 데이터셋에서 고전적 모델이 성능 한계에 근접하는 반면, HQNN 은 세밀한 시나리오에서 특히 클래스별 균형과 판별력 측면에서 일관되고 측정 가능한 향상을 제공한다고 결론지었습니다. 하드웨어 노이즈와 확장성 문제가 해결된다면, 실제 하드웨어에서의 성공적인 배포는 향후 임상 진단 도구에 양자 강화 학습을 통합하는 실용적 가능성을 더욱 뒷받침합니다.