Quantum anomaly detection in real scarce data

현대 사회에서 기계와 시스템은 태양광 패널의 온도부터 환자의 심장 박동에 이르기까지 끊임없는 데이터의 흐름을 생성합니다. 이 데이터의 대부분은 정상적이며, 건강한 시스템이 보여주는 안정적이고 예상 가능한 리듬을 나타냅니다. 그러나 때때로 무언가 잘못될 때가 있습니다. 아주 작은 결함, 갑작스러운 급증, 또는 서서히 발생하는 편차는 그대로 두었을 경우 비용이 많이 드는 가동 중단이나 안전사고로 이어질 수 있는 고장을 암시할 수 있습니다. 이러한 드물고 특이한 순간을 찾아내는 것을 이상 탐지(anomaly detection)라고 합니다. 이는 컴퓨터에게 매우 어려운 과제인데, '나쁜' 데이터가 '좋은' 데이터에 비해 너무 적기 때문에 표준 학습 도구들은 문제를 완전히 놓치거나 허위 경보를 울리는 등 혼란을 겪기 때문입니다. 이러한 도전 과제는 특히 깨끗한 전력으로의 글로벌 전환을 위해 대규모 태양광 발전소를 효율적으로 운영하는 것이 중요한 에너지 분야에서 더욱 절실합니다.

연구자들은 전통적인 컴퓨팅과 새롭게 떠오르는 양자 기계의 힘을 결합하여 이 문제를 해결하기 위한 새로운 경로를 탐색하고 있습니다. 고전 컴퓨터는 0 또는 1인 비트로 정보를 처리하지만, 양자 컴퓨터는 동시에 여러 상태로 존재할 수 있는 양자 비트, 즉 큐비트를 사용합니다. 이러한 독특한 특성 덕분에 양자 컴퓨터는 고전 컴퓨터보다 훨씬 적은 자원으로도 복잡한 패턴을 처리할 수 있습니다. 최근 연구에서 피렌체 대학교와 Eni S.p.A.의 과학자 팀은 이러한 양자 이점이 대규모 태양광 발전소의 결함을 식별하는 데 도움이 될 수 있는지 테스트했습니다. 그들은 산업 현장에서 흔히 발생하는 상황인, 데이터가 부족하고 불균형한 특정 시나리오에 집중했습니다.

연구팀은 실제 태양광 발전소의 시뮬레이션을 구축하여 초당 한 번의 측정률로 16일간의 운영을 모방한 데이터를 생성했습니다. 그들은 단락(short circuits), 성능 저하, 개방 회로(open circuits), 구름이나 이물질에 의한 그림자 등 다양한 유형의 인위적인 결함을 시스템에 도입했습니다. 데이터의 압도적인 부분은 정상적인 정상 작동을 나타냈으며, 결함은 전체의 아주 작은 부분만을 차지했습니다. 목표는 컴퓨터 모델이 이러한 드문 이상 징후를 포착하고 정확히 어떤 종류의 결함이 발생했는지 분류하도록 훈련하는 것이었습니다. 이를 위해 그들은 2단계 하이브리드 구조를 개발했습니다. 먼저, 고전 컴퓨터 네트워크를 사용하여 긴 센서 데이터 시퀀스를 더 작고 관리하기 쉬운 요약본으로 압축했습니다. 그런 다음, 이 요약본을 데이터가 정상인지 결함이 있는지를 결정하고, 만약 결함이 있다면 어떤 유형인지 판단하도록 설계된 양자 레이어에 입력했습니다.

결과는 이 하이브리드 접근 방식이 매우 효과적임을 보여주었습니다. 단순히 이상 징후의 존재 여부를 탐지하는 작업에서, 하이브리드 모델은 거의 완벽한 정확도를 달도하며 완전한 고전 모델만큼 우수한 성능을 보였습니다. 그러나 하이브리드 모델은 이 과정에서 복잡성을 극적으로 줄였습니다. 고전 버전보다 약 40배 적은 조정 가능한 설정, 즉 파라미터를 사용했습니다. 더 어려운 과제인 구체적인 결함 유형을 분류하는 작업에서, 하이브리드 모델은 실제로 고전 모델보다 뛰어난 성능을 보였으며, 정상 데이터와 부분적인 그림자와 같은 특정 유형의 손상을 구별할 때 실수를 더 적게 범했습니다. 결정적으로, 연구팀은 데이터를 압축한 직후인 프로세스의 맨 마지막 단계에 양자 레이어를 배치하는 것이 가장 효과적인 전략이라는 것을 발견했습니다. 연구진이 프로세스 초기에 양자 레이어를 사용하려고 했을 때는 성능이 크게 떨어졌는데, 이는 작업의 순서가 매우 중요하다는 것을 시사합니다.

연구진은 또한 정보를 처리하는 내부 구조인 양자 회로를 구축하는 다양한 방법을 테스트했습니다. 그들은 충분한 데이터 반복과 결합된 단순한 회로 설계가 더 복잡하고 정교한 설계보다 더 효과적이라는 것을 발견했습니다. 이 발견은 현재의 양자 하드웨어가 여전히 노이즈가 많고 불완전하다는 점을 고려할 때 매우 중요한데, 단순한 회로가 오류에 더 강하기 때문입니다. 이 연구는 고전 컴퓨터가 순차적 데이터를 정리하는 무거운 작업을 처리하게 하고 양자 컴퓨터가 최종 분류에 집중하게 함으로써, 정확할 뿐만 아니라 효율적이고, 모델이 일반적인 규칙을 배우는 대신 훈련 데이터를 암기해 버리는 문제인 과적합(overfitting) 가능성이 낮은 모델을 구축할 수 있음을 시사합니다.

이 작업은 양자 머신러닝이 단순한 이론적 개념이 아니라 오늘날 실제 산업 문제에 적용할 수 있는 실용적인 도구임을 입증합니다. 하이브리드 접근 방식을 통해 연구팀은 전통적인 방식에 필요한 계산 비용의 일부만으로도 높은 성능을 달성할 수 있음을 보여주었습니다. 이러한 효율성은 세계가 지속적인 모니터링이 필요한 거대한 에너지 그리드로 나아감에 따라 매우 중요합니다. 이 연구는 양자 가속기가 전통적인 고성능 컴퓨팅과 통합될 때, 우리의 에너지 시스템을 안전하게 유지하는 드물고 결정적인 사건들을 탐지하기 위한 지속 가능하고 강력한 솔루션을 제공할 수 있음을 확인시켜 줍니다.