Encryptability As a Coordinate Choice: Depth-One Homomorphic Federated Learning of Quantum Neural Networks
이 논문은 양자 신경망 가중치를 단위 사원수 좌표계로 표현함으로써 암호화된 연합 학습에 필요한 비선형 군 연산을 쌍선형으로 변환할 수 있으며, 이를 통해 정확도 손실을 무시할 수 있는 수준에서 부트스트래핑 없이 하이브리드 양자-고전 모델의 효율적이고 비상호작용적인 깊이 1 동형 암호 학습을 가능하게 함을 입증한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
현대 인공지능의 세계에서 기계는 방대한 양의 데이터 속에서 패턴을 찾아내며 학습합니다. 종종 이 데이터는 의료 기록이나 개인 금융 이력처럼 개인이 비공개를 원하는 민감한 정보를 포함하고 있습니다. 이를 해결하기 위해 과학자들은 연합 학습(federated learning)이라는 방법을 개발했는데, 이는 데이터가 사용자의 기기에 머물러 있는 상태에서 학습된 결과만을 중앙 서버로 보내 공유 모델을 개선하는 방식입니다. 그러나 이러한 학습 결과조차 전송하는 데에는 위험이 따릅니다. 호기심 많은 관찰자가 업데이트된 내용을 통해 원래의 데이터를 역설계할 가능성이 있기 때문입니다. 이를 방지하기 위해 연구자들은 정보가 오직 의도된 수신자에게만 읽힐 수 있도록 정보를 뒤섞는 암호화 기술을 사용합니다. 문제는 학습 모델이 양자 역학의 기묘한 법칙에 따라 작동하는 양자 컴퓨터를 포함할 때 발생합니다. 이러한 시스템에서 모델을 훈련하는 데 사용되는 숫자는 단순한 값이 아니라 복잡하고 다차원적인 공간에서의 회전을 나타냅니다. 오랫동안 이러한 특정 유형의 회전을 암호화하는 것은 너무 많은 계산 능력을 요구하여 실질적으로 불가능할 정도로 비용이 많이 드는 일로 여겨져 왔습니다.
임페리얼 칼리지 런던의 연구팀은 이러한 어려움이 자연의 근본적인 법칙이 아니라, 숫자를 기록하는 방식의 결과였다는 것을 발견했습니다. 그들은 양자 회전을 설명하는 수학적 '언어'를 바꿈으로써 암호화 과정이 놀라울 정도로 단순하고 효율적이 될 수 있음을 찾아냈습니다. 매번 수천 단계의 과정을 거쳐야 했던 복잡한 체계 대신, 연구진은 단위 사원수(unit quaternions)에 기반한 특정 좌표계를 사용함으로써 이 작업을 단 한 번의 간단한 계산으로 줄일 수 있음을 보여주었습니다. 이 획기적인 발견은 양자 신경망이 데이터를 완전히 숨긴 채 여러 장치에 걸쳐 학습할 수 있게 해주며, 이전에는 불가능해 보였던 막대한 계산적 부담 없이도 이를 가능하게 합니다.
문제의 핵심은 양자 컴퓨터가 그 연산을 어떻게 설명하느냐에 있었습니다. 이러한 기계의 학습 가능한 부분은 본질적으로 다이얼을 돌리는 것과 유사한 회전입니다. 이러한 회전을 설명하는 표준적인 방식에서, 관련 수학은 매우 복잡하여 네트워크의 가중치 하나당 매번 수천 개의 별도 연산을 필요로 했습니다. 이로 인해 프라이버시를 보호하는 양자 학습의 개념은 손에 닿지 않는 것처럼 보였습니다. 연구진은 이 복잡성이 마치 원을 울퉁불퉁한 계단식 격자로 설명하면 복잡해 보이지만, 매끄러운 곡선으로 설명하면 단순해지는 것처럼, 좌표계의 산물이라는 점을 깨달았습니다. 4차원에서의 회전을 설명하는 수학적 도구인 단위 사원수에 기반한 체계로 전환함으로써, 숫자들 사이의 관계는 완벽하게 선형적이고 단순해졌습니다. 이 새로운 언어에서는 두 회전을 결합하는 것이 단순히 기초적인 곱셈이 되며, 이는 암호화 시스템이 쉽게 처리할 수 있는 작업입니다.
이러한 관점의 전환은 전체 과정을 변화시켰습니다. 연구진은 이 새로운 좌표 선택을 통해 서버가 여러 클라이언트로부터 온 암호화된 업데이트를 직접 복호화하거나 과도하고 반복적인 계산을 수행하지 않고도 결합할 수 있음을 입증했습니다. 이 과정은 매우 효율적이어서, 이전에는 암호화의 보안을 유지하기 위해 필수적이라고 생각되었던 '부트스트래핑(bootstrapping)'이라는 시간 소모적인 특정 단계를 제거했습니다. 연구팀은 클라이언트들이 로컬에서 모델을 훈련하고, 이 새로운 방법을 사용하여 결과를 암호화한 뒤 서버로 보낼 수 있는 작동 가능한 프로토콜을 구축했습니다. 서버는 이 업데이트들을 결합하여 다시 보낼 수 있으며, 이 모든 과정 동안 데이터는 암호화된 상태를 유지합니다. 그들은 이 결과가 특정 소프트웨어의 우연한 현상이 아님을 확인하기 위해 두 가지 서로 다른 암호화 백엔드에서 이 시스템을 테스트하여, 효율성 향상이 수학 자체의 근본적인 특성임을 확인했습니다.
새로운 방법이 학습의 질을 저하시지 않는지 검증하기 위해, 연구팀은 주택 가격이나 와인 품질과 같은 실제 데이터셋을 사용하여 양자 회로와 고전 컴퓨터를 결합한 하이브리드 모델을 훈련시키는 엄격한 실험을 수행했습니다. 그들은 암호화된 시스템의 성능을 동일한 비암호화 시스템과 직접 비교하였으며, 공정성을 보장하기 위해 다양한 초기 조건에서 여러 차례 테스트를 실행했습니다. 결과는 암호화가 학습 과정에 측정 가능한 불이익을 주지 않았음을 보여주었습니다. 모델의 정확도는 동일하게 유지되었으며, 이는 프라이버시 보호가 성능의 희생을 수반하지 않음을 증명합니다. 나아가, 암호화로 인해 도입된 노이즈가 혹시 모델의 학습을 돕지는 않는지(다른 맥락에서 종종 발생하는 현상) 테스트했습니다. 다양한 정밀도 수준으로 시스템을 실행한 결과, 노이즈를 더 많이 추가해도 결과가 개선되지 않았으며, 이를 통해 암호화가 숨겨진 조력자가 아니라 단순히 투명한 방패 역할을 한다는 것을 확인했습니다.
연구진은 또한 이러한 모델이 양자 회로의 서로 다른 부분 사이의 연결인 엔탱글러(entanglers)를 처리하는 실질적인 문제도 다루었습니다. 그들은 이러한 복잡한 연결이 있더라도, 새로운 암호화 방법이 회로의 깊이나 복잡도에 관계없이 상수 수준의 작은 작업량만을 추가한다는 것을 수학적으로 증명했습니다. 이는 모델이 더 커지고 정교해지더라도 이 방법의 효율성이 유지됨을 의미합니다. 실세계에서의 유효성을 검증하기 위해, 연구진은 156 큐비트를 가진 물리적 양자 프로세서에서 프로토콜을 실행했습니다. 이 시스템은 높은 수준의 충실도(fidelity)를 달 알파냈는데, 이는 암호화된 연산이 비암호화 연산과 거의 완벽하게 동일하게 작동했음을 의미하며, 미세한 차이는 암호화 자체가 아닌 하드웨어의 자연스러운 결함에 기인한 것이었습니다.
이 연구는 또한 이 접근 방식의 트레이드오프(trade-offs)를 강조했습니다. 새로운 방법은 서버와 클라이언트 간의 통신 횟수를 수십 번의 교환에서 단 한 번의 교환으로 대폭 줄였지만, 각 교환 시 더 많은 양의 데이터를 전송해야 했습니다. 연구진은 이러한 트레이드오프가 대부분의 실제 시나리오, 특히 연결 속도가 제한 요소가 되는 광역 네트워크 환경에서 유리하다고 계산했습니다. 그들은 매우 빠른 로컬 연결의 경우 기존의 상호작용 방식이 여전히 약간 더 효율적일 수 있지만, 프라이버시가 가장 중요한 광범위한 기관 간 네트워크에서는 새로운 방법이 명확한 이점을 제공한다고 언급했습니다. 이 연구는 결론적으로, 암호화된 양자 학습의 장벽은 힘의 부족이 아니라 관점의 선택 문제였다는 점을 시사합니다. 어려움이 근본적인 문제가 아니라 좌표의 문제였다는 것을 인식함으로써, 연구진은 양자 기계가 사용하는 데이터의 프라이버시를 절대 침해하지 않으면서도 협력적으로 학습할 수 있는 미래의 문을 열었습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.