Quantum Convolutional Neural Networks for Groundwater Heat Plume Prediction: A Surrogate Modeling Approach

기술 요약: 지하수 열 플룸(Heat Plume) 예측을 위한 양자 합성곱 신경망(QCNN)

문제 정의
뮌헨과 같은 도시 환경에서 천층 지하수 열펌프(GWHP)를 관리하기 위해서는 지하 온도장을 정밀하게 모델링하여 효율 저하 및 생태계 손상을 방지해야 한다. Pflotran과 같은 고충실도 수치 시뮬레이션은 정확한 열 플룸 역학 예측을 제공하지만, 계산 비용이 많이 들어 실시간 응용이나 대규모 열펌프 군집의 최적화에는 부적합하다. 반면, 기존의 해석적 모델(예: 선형 대류 열전달 모델, LAHM)은 속도는 빠르나 불균질한 대수층이나 복잡한 유동 시나리오에서는 정확도가 떨어진다. 딥러닝 대리 모델, 특히 합성곱 신경망(CNN)은 높은 속도와 합리적인 정확도를 제공하는 절충안으로 등장했다. 그러나 양자 머신러닝(QML)을 이 영역에 통합하는 연구는 아직 미개척 분야이다. 본 연구는 양자 합성곱 신경망(QCNN)이 지하수 열 플룸 특성을 예측하는 효과적인 대리 모델로서 기능할 수 있는지 조사하며, 현재의 노이즈가 있는 중간 규모 양자(NISQ) 하드웨어의 확장성 제약을 다룬다.

방법론
본 연구는 단일 개방형 루프 GWHP에 의해 생성되는 열 플룸을 모델링하기 위해 하이브리드 양자-고전 접근 방식을 채택한다.

• 데이터셋 생성: Pflotran 소프트웨어를 사용하여 352개의 샘플로 구성된 데이터셋을 생성하였다. 시뮬레이션은 $100 \times 1280$ 미터 영역($20 \times 256$ 셀, 해상도 5미터)을 다룬다. 입력 변수에는 수리 구배와 투수성 장이 포함되며, 출력값은 공간적으로 분해된 온도장이다.
• 차원 축소: 현재 양자 하드웨어의 큐비트 제한을 준수하기 위해 고차원의 시뮬레이션 데이터를 압축하였다. 입력은 공간 장(field)에서 두 개의 스칼라 변수(투수성 및 압력 구배)로 축소되었다. 출력 온도장은 1-켈빈 등온선의 X 및 Y 범위, 최대 지하수 온도, 그리고 해당 최대치의 공간적 위치를 포함하는 네 가지 대표 파라미터로 축소되었다.
• QCNN 아키텍처: 제안된 QCNN은 세 가지 주요 단계로 구성된다:
  1. 상태 준비(State Preparation): 고전 데이터를 즉각적 양자 다항식(IQP) 인코딩 기법을 사용하여 양자 상태로 인코딩한다. 이 해밀토니안 기반 전략은 가환 게이트(commuting gates)를 활용하여 고전 정보를 양자 상태의 위상에 임베딩한다.
  2. 양자 처리(Quantum Processing): 아키텍처는 양자 합성곱 레이어와 양자 풀링 레이어를 포함한다. 합성곱 레이어는 매개변수화된 유니터리 블록(단일 큐비트 회전 및 CNOT과 같은 얽힘 게이트)을 사용하여 국소적 특징을 추출한다. 풀링 레이어는 고전적인 max-pooling 또는 average-pooling과 유사하게 측정 및 부분 트레이스(partial trace) 연산을 통해 힐베르트 공간의 차원을 줄인다.
  3. 판독 및 고전 후처리(Readout and Classical Post-Processing): 최종 양자 상태를 측정하여 기대값을 얻으며, 이는 고전 완전 연결 신경망(PyTorch로 구현)으로 전달되어 최종 회귀를 수행하고 양자 특징을 네 가지 타겟 스칼라 값에 매핑한다.
• 훈련 및 평가: 모델은 MSE 손실 함수와 함께 Adam 옵티마이저를 사용하여 훈련되었다. 실험은 네 가지 별도의 실행 환경에서 수행되었다:
  1. 이상적인 상태 벡터 시뮬레이터(Ideal statevector simulator).
  2. 현실적인 노이즈 모델이 적용된 노이즈 시뮬레이터.
  3. IBM의 127-큐비트 Kyiv 양자 프로세서(Raw 하드웨어).
  4. 고급 오류 완화 기술(역동적 디커플링, Twirled Readout Error Extinction, Zero-Noise Extrapolation, Probabilistic Error Cancellation 포함)이 적용된 IBM Kyiv 프로세서.

주요 결과
QCNN의 성능은 서로 다른 실행 환경에서 고전 CNN 베이스라인과 비교 벤치마킹되었다:

• 이상적 시뮬레이션: 상태 벡터 시뮬레이터 상에서 QCNN은 네 가지 입력 특징으로부터 네 가지 타겟 기술자로의 매핑을 학습할 수 있음을 보여주었으며, 낮은 MSE와 함께 경쟁력 있는 성능을 달ato.
• 노이즈 시뮬레이션: 노이즈 시뮬레이터는 이상적인 경우에 비해 약간의 성능 저하를 보였으나 안정적인 학습 궤적을 유지하였으며, 이는 중간 수준의 노이즈가 허용 가능하다는 것을 나타낸다.
• 실제 하드웨어 (Raw): Raw IBM Kyiv 프로세서에서 QCNN은 크게 어려움을 겪었다. MSE는 시뮬레이션보다 현저히 높았으며, 모델이 일반화에 실패하여 왜곡된 열 플룸 재구성을 생성했다. 이는 게이트 결함, 결맞음 해제(decoherence), 크로스토크가 NISQ 시대의 비자명한 회귀 작업에 얼마나 파괴적인 영향을 미치는지를 강조한다.
• 실제 하드웨어 (완화됨): Kyiv 백엔드에 고급 오류 완화 기술을 적용했을 때 눈에 띄는 개선이 나타났다. 훈련 및 테스트 손실이 감소하였고, 열 플룸의 시각적 재구성이 타겟 패턴과 더 일치하게 되었다. 그러나 성능이 이상적인 시뮬레이터 수준까지 완전히 회복되지는 않았다.
• 고전 베이스라인: 고전 CNN은 모든 설정에서 양자 변형 모델들을 지속적으로 능가하며, 가장 낮은 MSE와 가장 정확한 공간 재구성을 달성하였다.

의의 및 주장
본 논문은 QCNN이 아직 지하수 열 플룸 예측을 위한 고전적 대리 모델을 대체할 준비가 되지 않았지만, 향-연구를 위한 유망한 방향임을 주장한다. 본 연구는 다음을 입증한다:

1. 타당성: 노이즈가 없는 하드웨어가 제공된다면, QCNN은 이론적으로 압축된 입력 특징으로부터 공간적 기술자로의 복잡한 매핑을 학습할 수 있다.
2. 하드웨어 한계: 현재의 NISQ 하드웨어 노이즈는 회귀 작업의 성능을 심각하게 저하시켜, 가공되지 않은 양자 실행을 비효적으로 만든다.
3. 완화 기술의 역할: 오류 완화 기술은 노이즈가 있는 양자 장치로부터 의미 있는 신호를 추출하는 데 필수적이며, 성능을 부분적으로 회복시키고 물리적 해석력을 높인다.
4. 미래 생존 가능성: 양자 하드웨어가 성숙하고 더 효율적인 완화 및 컴파일 기술이 개발됨에 따라, QCNN은 특히 하이브리드 양자-고전 워크플로우에 통합될 때 고차원 열수력 예측에 유효해질 수 있다.

저자들은 본 연구의 주요 가치가 즉각적인 고전 방식의 우월성을 주장하는 것이 아니라, 실제 장치 조건 하에서의 양자 아키텍처 동작을 이해하기 위한 테스트베드를 구축하는 데 있다고 결론짓는다.