An Annealing-based Quantum Neural Network with Discrete Wavelet Transforms for Enhanced Air Pollution Nowcasting

대기 오염은 도시와 공장이 성장함에 따라 함께 커져 온 조용하고도 만연한 위협으로, 수백만 명의 폐를 질식시키고 수명을 단축시키고 있습니다. 수십 년 동안 과학자들과 엔지니어들은 위험한 수준의 미세 입자가 언제 어디서 나타날지 예측하여 공동체가 스스로를 보호할 수 있는 선제적 기회를 제공하기 위해 강력한 컴퓨터 프로그램에 의존해 왔습니다. 딥러닝 모델로 알려진 이 프로그램들은 복잡한 데이터에서 패턴을 찾는 데 탁월하지만, 대기 질 데이터가 지저도, 갑작스럽거나, 혼란스러울 때는 어려움을 겪는 경우가 많습니다. 더욱이, 이 거대한 프로그램들을 학습시키는 데는 엄청난 양의 전기가 필요하며, 이는 더 깨끗한 공기를 목표로 하는 목적과 모순되는 탄소 발자국을 남깁니다. 세계가 이러한 환경적 위험을 예측하는 더 나은 방법을 모색함에 따라, 양자 물리학의 기묘한 법칙을 사용하여 더 스마트하고 효율적인 예측 기계를 구축하는 새로운 개척지가 등장했습니다.

최근 한 연구에서 연구진은 양자 컴퓨팅과 웨이브릿 변환(wavelet transforms)이라 불리는 기술을 결합한 새로운 유형의 예측 도구를 만듦으로써 이러한 미래를 향한 중요한 발걸음을 내디뎠습니다. 오토 메네가소 피레스(Otto Menegasso Pires)와 동료들이 이끄는 팀은 혈류에 침투하여 심각한 건강 문제를 일으킬 수 있을 만큼 작은 미세먼지인 PM2.5 농도를 예측하는 데 집중했습니다. 그들은 교통량과 산업 활동으로 인해 대기 질이 매우 가변적인 영국 길퍼드(Guildford)에 있는 두 곳의 모니터링 스테이션에서 얻은 실제 데이터를 사용하여 이 시스템을 테스트했습니다. 문제는 이 스테이션들의 데이터가 불규칙하고, 기존의 컴퓨터 모델들을 혼란스럽게 만드는 갑작스럽고 극단적인 오염 수치 급증(spikes)으로 가득 차 있다는 점이었습니다.

이를 해결하기 위해 연구진은 양자 신경망을 사용하는 하이브리드 시스템을 구축했습니다. 정보를 직선적으로 처리하는 일반적인 컴퓨터와 달리, 이 시스템은 양자 역학의 원리를 사용하여 동시에 많은 가능성을 탐색합니다. 그러나 현재의 물리적인 양자 컴퓨터는 이처럼 크고 복 복잡한 문제를 다루기에는 너무 작고 노이즈가 많습니다. 이를 극려하기 위해 팀은 양자 어닐러(quantum annealer)처럼 작동하는 고급 하드웨어를 사용하여 양자 컴퓨터의 동작을 모방하는 다이넥스(Dynex)라는 특수 플랫폼을 사용했습니다. 이를 통해 그들은 현재의 물리적 양자 장치로는 훨씬 불가능한 규모인 최대 172개의 양자 비트(qubits)를 활용한 시뮬레이션을 실행할 수 있었습니다. 그들은 이 양자 엔진을 이산 웨이브릿 변환(discrete wavelet transforms)이라는 수학적 방법과 결과적으로 결합했는데, 이 방법은 혼란스러운 오염 신호를 근본적인 리듬과 갑작스러운 충격으로 분해하여 컴퓨터가 데이터를 더 쉽게 이해할 수 있도록 만듭니다.

결과는 놀라웠습니다. 연구진이 가공되지 않은 가공되지 않은 오염 데이터를 시스템에 입력했을 때, 전통적인 컴퓨터 모델들은 갑작스러운 수치 급증을 이해하지 못해 신뢰할 수 없는 예측을 내놓았습니다. 반면, 양자 신경망은 데이터를 먼저 정제할 필요 없이 오염의 숨겨진 역동성을 포착하며 이러한 변동성에 대해 자연스러운 회복력을 보여주었습니다. 이 모델은 표준 모델보다 성능이 두 배나 뛰어났습니다. 연구진이 시스템이 데이터를 더 명확하게 볼 수 있도록 웨이브릿 분해를 추가하자, 양자 모델은 연구에서 테스트된 모든 모델 중 가장 높은 정확도와 가장 낮은 오차율을 달리며 정점에 도달했습니다.

가장 중요한 점은, 이 양자 접근 방식이 단순히 더 잘 작동할 뿐만 아니라 불확실성을 다르게 처리한다는 사실을 이 연구가 밝혀냈다는 것입니다. 전통적인 모델은 극단적인 오염 사건이 발생할 때 확신에 찬 틀린 답을 내놓는 경우가 많았던 반면, 양자 시스템은 데이터가 불규칙해질 때 위험을 인지하며 가능한 결과의 범위를 올바르게 넓혔습니다. 연구진은 단순히 양자 모델을 더 복잡하게 만드는 것이 항상 더 나은 결과로 이어지는 것은 아니라는 점을 발견했습니다. 즉, 가장 잘 작동하는 특정 크기와 구조의 균형이 존재했습니다. 이는 양자 시스템이 고전 컴퓨터가 할 수 없는 방식으로 무질서한 실제 신호로부터 학습하는 타고난 능력을 갖추고 있음을 시사합니다.

이 작업은 양자 머신러닝이 이론적인 실험을 넘어 실질적이고 중대한 문제를 해결하는 영역으로 이동하고 있음을 입증합니다. 172개의 양자 비트를 활용한 시스템을 성공적으로 시뮬레이션함으로써, 팀은 이러한 방법론이 실제 환경 데이터의 복잡성을 다룰 수 있을 만큼 확장 가능하다는 것을 증명했습니다. 비록 이 결과가 물리적 양자 컴퓨터가 아닌 시뮬레이션 플랫폼에서 달성되었지만, 이 발견은 명확한 진로를 제시합니다. 이는 가까운 미래에 우리가 이러한 양자 강화 도구를 사용하여 전례 없는 정밀도로 대기 질을 모니터링하고, 오늘날 우리가 의존하는 거대한 고전 컴퓨터보다 잠재적으로 더 적은 에너지를 사용하면서도 공동체에 필요한 신뢰할 수 있고 시기적절한 경고를 제공할 수 있음을 시사합니다.