Large-Scale Benchmarking of Quantum Neural Network Configurations for Financial Time Series Forecasting
본 연구는 GBP/USD 금융 시계열 예측을 위한 1,368개의 양자 신경망 구성을 대규모로 벤치마킹하여, 특정 게이트 선택과 회로 구조가 높은 정확도(고전적 BiLSTM 능가)를 달성하는 데 있어 파라미터 수보다 더 중요하다는 점을 밝히는 동시에, 게이트 오류와 결맞음 해제(decoherence)가 근미래 양자 하드웨어의 실질적 배포에 있어 주요 장벽임을 강조한다.
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
금융 세계는 미래를 예측하는 것, 구체적으로는 통화 가치, 주가, 그리고 경제 지표의 움직임을 예측하는 것에 크게 의존합니다. 수십 년 동안 과학자들은 과거의 데이터가 다음에 올 것을 암시하는 복잡한 퍼즐처럼 취급하며, 고전적인 컴퓨터를 사용하여 이 숫자들 사이의 패턴을 찾아왔습니다. 그러나 데이터가 더욱 복잡해지고 관계가 더 얽히게 됨에 따라, 전통적인 컴퓨터는 때때로 전체 그림을 보는 데 어려움을 겪기도 합니다. 이는 연구자들이 다른 종류의 기계인 양자 컴퓨터를 탐구하도록 이끌었습니다. 표준 컴퓨터가 정보를 단순한 온-오프(on-or-off) 스위치로 처리하는 것과 달리, 양자 기계는 물리 법칙의 기묘한 규칙을 사용하여 정보가 동시에 여러 상태로 존재할 수 있는 방식으로 정보를 처리합니다. 이러한 기계에 데이터를 학습하도록 프로그래밍하면 양자 신경망(Quantum Neural Networks)이 됩니다. 이것들은 단순히 기존 모델의 빠른 버전이 아니라, 고차원 데이터를 처리하기 위한 새로운 경로를 제공하는 근본적으로 다른 도구입니다. 오늘날 과학자들이 직면한 질문은 단순히 이 기계들이 작동할 수 있는지 여부가 아니라, 돈의 가격을 예측하는 것과 같은 실세계의 문제를 해결하기 위해 어떻게 올바르게 구축할 것인가 하는 것입니다.
킹스턴 대학교 런던(Kingston University London)과 브루넬 대학교 런던(Brunel University London)의 연구팀은 양자 신경망의 설계를 거대한 건설 프로젝트처럼 다룸으로써 이 질문에 답하고자 했습니다. 그들은 영국의 파운드와 미국의 달러 사이의 환율을 예측할 때 기계의 어떤 특정 부품이 가장 잘 작동하는지 알고 싶었습니다. 이를 위해 그들은 단 하나의 모델만 만든 것이 아니라, 1,368개의 서로 다른 버전을 구축하고 테스트했습니다. 각 버전은 데이터가 기계로 입력되는 방식, 내부 논리 게이트의 구체적인 배치, 사용된 양자 비트의 수, 그리고 성공을 판단하는 수학적 규칙과 같은 서로 다른 구성 요소들의 독특한 조합이었습니다. 이러한 그리드 탐색(grid search)을 통해 연구진은 퍼즐의 작은 조각 하나를 바꾸는 것이 최종 결과에 어떻게 영향을 미치는지 정확히 파악할 수 있었으며, 무엇이 작동하고 무엇이 작동하지 않는지에 대한 명확한 지도를 얻을 수 있었습니다.
이 연구는 2005년부터 2025년까지 거의 20년에 걸친 일일 환율 데이터셋에 초점을 맞추었습니다. 연구진은 이 데이터를 모델을 가르치기 위한 부분, 튜닝하기 위한 부분, 그리고 최종 성능을 테스트하기 위한 세 부분으로 나누었습니다. 그들은 자신들의 양자 창조물을 현재 이러한 유형의 시계열 예측에서 최고 성능을 내는 것으로 간ла려진 정교한 표준 고전 컴퓨터 모델인 BiLSTM과 비교했습니다. 목표는 양자 모델이 이 고전적 벤치마크와 대등할 뿐만 아니라 잠재적으로 이를 능가할 수 있는지 확인하는 것이었습니다. 결과는 놀라웠습니다. 가장 뛰어난 성능을 보인 단일 양자 구성은 데이터 예측 능력에서 0.985의 점수를 기록했습니다. 이는 제약이 있는 고전 모델의 점수를 약간 상회했지만, 훨씬 더 긴 룩백 윈도우(lookback window)와 완전히 중첩된 데이터에 접근할 수 있었던 제약 없는 고전적 베이스라인이 0.9805를 달성했다는 점을 유념해야 합니다. 그럼에도 불구하고, 가장 우수한 양자 구성은 동등한 데이터 제약 조건 하에서 작동하는 고전 모델과 비교했을 때 경쟁력 있고, 어떤 경우에는 더 우수한 예측 정확도를 보여주며 양자 신경망(QNN)의 금융 예측 가능성에 대한 고무적인 증거를 제공했습니다.
하지만 이 성공으로 가는 길은 직선이 아니었으며, 연구진은 더 크다고 해서 항상 더 좋은 것은 아니라는 사실을 발견했습니다. 이 분야의 일반적인 가정은 더 많은 양자 비트를 추가하거나 더 많은 층의 복잡성을 더하면 자동으로 더 나은 결과를 가져올 것이라는 점입니다. 연구는 그 반대가 사실임을 발견했습니다. 가장 성공적인 모델들은 상대적으로 적은 수의 양자 비트와 중간 정도의 층을 사용했습니다. 연구진이 모델의 크기를 너무 키우면 성능이 종종 떨어졌습니다. 이는 모델이 커질수록 학습하기가 더 어려워지고 효과적으로 학습하지 못하는 상태에 빠지기 쉬워지기 때문입니다. 또한, 연구진은 기계가 수행하는 기본 연산인 게이트(gate)의 구체적인 선택이 전체 파라미터의 수나 회로의 규모보다 훨씬 더 중요하다는 것을 발견했습니다. 그것은 가장 강력한 엔진을 갖는 것이 아니라, 그 작업에 맞는 적절한 엔진을 갖는 문제였습니다.
또 다른 중요한 발견은 기계의 부품들이 '얽힘(entanglement)'을 어떻게 다루느냐에 관한 것이었습니다. 양자 물리학에서 얽힘은 입자들이 서로 연결되어 한 입자의 상태가 거리에 상관없이 즉각적으로 다른 입자에 영향을 미치는 현상입니다. 연구팀은 이 연결이 기계의 주요 처리 부분에서만 일어나야 하는 것이 아니라는 것을 발견했습니다. 대신, 이는 전체 시스템의 속성입니다. 만약 데이터를 기계로 입력하는 방법이 충분한 얽힘을 만들어낸다면, 주요 처리 장치는 더 단순하면서도 잘 작동할 수 있습니다. 반대로, 데이터 입력 방식이 이 연결을 만들어내지 못한다면, 복잡한 처리 장치도 이를 보완할 수 없습니다. 이는 모델의 성공이 단순히 중앙 구성 요소의 정교함이 아니라, 전체 시스템의 조화에 달려 있음을 의미합니다.
연구진은 또한 이 모델들이 컴퓨터 시뮬레이션 상에서가 아니라 실제 물리적인 양자 하드웨어에서 어떻게 작동할지 테스트했습니다. 그들은 가장 우수한 설계 중 일부를 IQM 에메랄드(IQM Emerald)라는 실제 양자 장치에서 실행했습니다. 여기서의 결과는 냉혹했습니다. 시뮬레이션에서는 완벽하게 작동했지만, 실제 장치는 기계의 물리적 특성으로 인한 노이즈와 시간 경과에 따른 양자 상태의 손실과 같은 오류를 유발했습니다. 이러한 오류는 예측 정확도를 크게 떨어뜨렸습니다. 연구는 회로의 깊이, 즉 기계가 수행해야 하는 단계의 수가 노이즈가 성능에 얼마나 해를 끼치는지 결정하는 주요 요인임을 보여주었습니다. 더 깊은 회로일수록 더 많은 피해를 입었습니다. 흥미롭게도, 가장 중요한 오류 유형은 최종 결과를 읽는 과정에서의 오류가 아니라, 계산 단계 자체에서 발생하는 오류였습니다. 이는 양자 컴퓨터가 현재 실세계에서 유용해지기 위해서는 설계가 노이로 가득한 현재의 하드웨어 환경에서 살아남을 수 있도록 얕고 단순하게 유지되어야 함을 시사합니다.
실제 하드웨어의 어려움에도 불구하고, 이 연구는 미래를 위한 명확한 청사진을 제공합니다. 연구진은 아키텍처를 주의 깊게 선택한다면 양자 신경망이 금융 시계열 데이터에 대해 고전 모델과 경쟁하거나 특정 구성에서 이를 능가할 수 있음을 입증했습니다. 최상의 설계는 구성 요소의 수, 연결 유형, 그리고 데이터 입력 방식을 균형 있게 조절하여 강력하면서도 탄력적인 기계를 만들어냈습니다. 연구 결과는 기술이 아직 초기 단계에 있고 노이즈와 관련된 상당한 장애물에 직면해 있지만, 그 잠재력이 실재한다는 것을 보여줍니다. 이 작업은 이러한 기계들을 어떻게 구축해야 하는지에 대한 기준을 설정하며, 양자 이론을 돈의 미래를 예측하는 도구로 바꾸려는 엔지니어들에게 실질적인 지침을 제공합니다. 양자 하드웨어가 지속적으로 개선되어 현재 성능을 제한하는 노이즈가 줄어듦에 따라, 이 연구에서 확인된 구성들은 차세대 금융 예측 도구의 토대가 될 수 있을 것입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.