Where Does a Variational Quantum Classifier Lose Accuracy? Angle Encoding, Readout and the Fidelity-Kernel Reference in Cyberattack Detection

기술 요약: 변분 양자 분류기(Variational Quantum Classifier)는 어디에서 정확도를 잃는가?

문제 정의
네트워크 침입 탐지 맥락에서 변분 양자 분류기(VQC)를 사용할 때, 성능 병목 현상을 진단하는 데 있어 중대한 도전 과제가 존재한다. VQC가 네트워크 공격을 정확하게 탐지하지 못할 때, 그 실패의 원인이 데이터 인코딩(encoding) 때문인지, 매개변수화된 회로(ansatz) 및 그 학습 때문인지, 혹은 측정 결과와 클래스 레이블을 매핑하는 판독(read-out) 메커니즘 때문인지를 규명하기 어렵다. 양자 기계 학습(QML)을 이용한 침입 탐지에 관한 기존 연구들은 종종 시뮬레이션 환경과 일관되지 않은 평가 방식을 가진 레거시 데이터셋에 의존해 왔으며, 이로 인해 낮은 성능이 양자 모델의 설계 결함 때문인지 아니면 인코딩 자체의 내재적 한계 때문인지를 분리하여 파악하기 어렵게 만든다. 나아가, 고전적 데이터에 대해 양자 모델이 고전적 방법론에 비해 실질적인 이점을 제공할 수 있는 조건이 무엇인지도 여전히 미해결 과제로 남아 있다.

방법론
본 연구는 노이즈가 없는 정밀 시뮬레이션(noiseless exact simulations)을 사용하여 NSL-KDD 벤치마크(특히 20% 부분 집합)에 대한 VQC의 정확도 한계를 조사한다. 본 연구는 VQC의 네 가지 핵심 구성 요소인 인코딩, 안사츠(ansatz), 고전적 최적화 도구(classical optimizer), 그리고 판독(readout)을 격리하여 변화시킨다.

1. 인코딩(Encodings): 본 연구는 각도 인코딩(Angle Encoding) (하나의 피처당 하나의 큐비트를 사용하며 $R_y$ 회전을 적용)과 진폭 인코딩(Amplitude Encoding) (N개의 피처를 $n = \log_2 N$개의 큐비트로 정규화)을 비교한다.
2. "척도"(달성 가능한 참조점, Attainable Reference): 인코딩의 한계와 회로 학습의 실패를 구분하기 위해, 저자들은 인코딩된 상태의 충실도 커널(fidelity kernel)로 학습된 고전적 서포트 벡터 머신(SVM)을 도입한다. 이러한 인코딩의 경우 인코딩된 상태 간의 충실도는 폐쇄형 해(closed-form solution)를 가지므로, 이 SVM은 이상적인 안사츠와 최적화 도구를 가정했을 때 해당 특정 인코딩이 달성할 수 있는 이론적 최대 정확도, 즉 "달성 가능한 참조점"을 제공한다.
3. 판독 변형(Readout Variations): 본 연구는 세 가지 판독 전략을 평가한다:
   • Qubit-0 패리티(Qubit-0 Parity): 가장 낮은 차수의 큐비트만을 읽음 (일반적인 기본 설정).
   • 글로벌 패리티(Global Parity): 모든 큐비트의 패리티를 읽음.
   • 선형 헤드(Linear Head, 공동 학습): 회로 매개변수와 공동으로 학습되는 로지스틱 회귀 레이어로, 측정 결과의 전체 분포(또는 특정 Pauli-Z 기대값)를 클래스로 매핑함.
4. 실험 설계: 실험은 한 번에 하나의 요인(예: 인코딩 유형, 회로 깊이, 판독 전략)을 변화시키며, 다른 요인들은 일정하게 유지한다. 연구에는 4, 8, 16개의 주성분(피처)이 사용되며, 훈련된 회로를 달성 가능한 참조점 및 고전적 베이스라인(로지스틱 회귀 및 SVM)과 비교한다.

주요 기여

• 판독 병목 현상의 식별: 본 연구는 VQC에서 정확도 손실의 주요 원인이 인코딩이나 안사츠의 깊이가 아니라 판독(readout)임을 입증한다. 단순한 패리티 판독은 잠재적인 성능을 최대 11.4 퍼센트 포인트까지 활용하지 못하는 반면, 공동 학습된 선형 판독은 동일한 측정값으로부터 이 손실된 정확도의 대부분을 회복한다.
• 인코딩 트레이드오프(Trade-offs):
  • 각도 인코딩: 훈련 데이터와 유사한 트래픽에 대해 더 높은 정확도를 제공하고 8개 이상의 피처에 대해 더 얕은 회로를 요구하지만, 더 많은 큐비트($N$개의 피처에 대해 $N$개의 큐비트)가 필요하다.
  • 진폭 인코딩: 더 적은 수의 큐비트($\log_2 N$)를 사용하며, "새로운(novel)" 공격 유형(훈련 시 보지 못한 유형)을 탐지하는 데 탁월하지만, 상태 준비를 위한 회로 깊이와 게이트 수가 더 많아지는 단점이 있다.
• 양자 vs 고전 성능: 동일한 입력에 대해, 가장 성능이 좋은 양자 회로는 고전적 모델 수준의 성능을 보인다. 이들은 로지스틱 회귀보다는 약간 더 우수한 성능을 보이지만, 동일한 커널을 사용하는 고전적 SVM보다는 일반적으로 성능이 낮다. 본 연구는 이러한 특정 인코딩에 대해 양자 이점이 존재한다는 증거를 발견하지 못했다.
• 깊이 vs 판독: 회로 깊이가 증가함에 따라 이전 연구들에서 관찰되었던 "정확도 정체(accuracy plateau)" 현상은 패리티 판독의 한계에 기인한다. 공동 학습된 판독을 사용할 경우, 회로 깊이를 늘리는 것은 한계 효용이 감소하며, 좋은 판독을 가진 얕은 회로가 나쁜 판독을 가진 깊은 회로보다 더 나은 성능을 낼 수 있다.

결과

• 정확도 손실: 두 인코딩 모두에서, 훈련된 회로와 달성 가능한 참조점 사이의 가장 큰 격차는 판독 단계에서 발생한다. 공동 학습된 선형 헤드를 사용하면 그 격차를 0.3~1.3 퍼센트 포인트 이내로 줄일 수 있는 반면, 패리티 판독은 2.6에서 11.4 포인트의 격차를 남긴다.
• 새로운 공격 탐지: 진폭 인코딩된 회로는 각도 인코딩된 회로에 비해 "새로운" 공격 유형(훈련 시 부재했던 유형)에 대해 더 우수한 재현율(recall)을 보여준다. 그러나 이러한 이점은 동일한 진폭 커널을 사용하는 고전적 SVM에서도 나타나는데, 이는 이 이점이 양자 계산 자체가 아니라 인코딩의 기하학적 특성(이차 커플링 커널)에서 기인함을 시사한다.
• 자원 비용: 16개 피처의 경우, 진폭 인코딩은 4개의 큐비트를 필요로 하지만 상태 준비를 위한 많은 2-큐비트 게이트를 포함한 깊은 회로(깊이 ~57)가 필요하다. 각도 인코딩은 16개의 큐비트를 필요로 하지만 훨씬 얕은 회로(깊이 ~20)와 더 적은 2-큐비트 게이트를 사용한다.
• 고전적 베이스라인: 고전적 모델(로지스틱 회귀 및 SVM)은 가장 우수한 양자 회로와 대등한 정확도를 달성한다. 양자 회로는 로지스틱 회귀보다 0.41.0 포인트 더 정확하지만, 동일한 커널을 사용하는 고전적 SVM보다는 0.51.9 포인트 낮다.

의의 및 주장
본 논문은 현재 침입 탐지를 위한 변분 양자 분류기의 주요 제한 사항이 양자 하드웨어의 깊이나 인코딩 자체가 아니라 **판독 전략(readout strategy)**이라고 주장한다. 판독을 최적화함으로써(특히 공동 학습된 선형 헤드를 사용하여), 인코딩된 상태에 내재된 잠재적 정확도의 대부분을 실현할 수 있다.

본 연구는 테스트된 특정 인코딩과 데이터셋에 대해, 양자 이점이 관찰되지 않는다고 결론짓는다. 양자 회로의 성능은 고전적 대리 모델(fidelity-kernel SVM)에 의해 제한된다. 저자들은 향할 양자 이점은 아마도 고전 컴퓨터가 효율적으로 평가할 수 없는 커널을 가진 인코딩을 필요로 할 것이라고 제안한다. 본 연구는 인코딩, 안사츠, 판독의 기여를 분리하여 미래의 하드웨어 및 알고리즘 설계를 가이드할 수 있는 표준화된 VQC 평가 프로토콜을 제공한다.