⚛️ 양자물리학

Hardware-Aware Design and Layout Selection in Quantum Reservoir Computing for Insurance Claims Forecasting

본 논문은 소규모의 하드웨어 인지형 6큐비트 양자 리저버 컴퓨팅 모델이 최적화된 레이아웃 선택을 통해 이상적인 시뮬레이션에서 노이즈가 있는 IBM 양자 하드웨어로 전이될 때 발생하는 성능 저하를 효과적으로 완화하면서도, 자동차 보험 청구 예측에 있어 고전적 베이스라인과 대등한 수준의 경쟁력 있는 정확도를 달성할 수 있음을 입증한다.

원저자: Renáta Rusnáková, Eugen Šlapak, Gaurav K. Pandey, Juraj Gazda

게시일 2026-11-04

📖 4 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Renáta Rusnáková, Eugen Šlapak, Gaurav K. Pandey, Juraj Gazda

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 컴퓨팅의 세계에서, 오늘날의 슈퍼컴퓨터로는 해결하기 너무 어려운 문제들을 풀기 위해 양자 물리학의 기묘한 법칙에 따라 작동하는 기계를 사용하려는 욕구가 커지고 있습니다. 흔히 양자 프로세서라고 불리는 이 새로운 기계들은 아직 초기 단계에 있습니다. 이들은 작고 취약하며, 구성 요소들이 특수한 양자적 성질을 매우 빠르게 잃어버리기 때문에 오류가 발생하기 쉽습니다. 이러한 기계들을 완벽해지기 전에도 유용하게 만들기 위해, 과학자들은 '양자 레저보어 컴퓨팅(quantum reservoir computing)'이라 불리는 기술을 개발하고 있습니다. 양자 기계에게 해결책의 모든 단계를 가르치려고 노력하는 대신(이는 어렵고 오류가 발생하기 쉽습니다), 연구자들은 정보가 흐르는 과정에서 자연스럽게 정보를 처리할 수 있는 고정되고 복잡한 시스템을 설정합니다. 그런 다음 표준 컴퓨터를 사용하여 이 양자 시스템에서 나오는 결과값을 읽도록 훈련시키기만 하면 됩니다. 이 접근 방식은 노이즈가 많은 하드웨어에서 자주 실패하는 깊고 복잡한 훈련 과정을 피할 수 있기 때문에 매력적이며, 대신 실험을 실행할 적절한 물리적 설정을 찾는 데 초점을 맞춥니다.

한 연구팀은 이 방법이 실제로 매우 실용적이고 현실적인 문제, 즉 자동차 보험 회사가 다음 날 얼마나 많은 보험 청구를 받을지 예측하는 문제를 해결할 수 있는지 테스트하기 위해 나섰습니다. 이는 보험사들에게 매우 중요한 작업으로, 보험사들은 일일 비용 변동에 대비해야 합니다. 연구진은 이 예측 엔진 역할을 할 6개의 큐비트(양자 정보의 기본 단위)를 가진 작은 양자 프로세서를 사용했습니다. 그들은 기계에 활성 자동차 보험 계약 수, 요일, 공휴일 여부, 그리고 전날의 청구 건수 데이터를 입력했습니다. 목표는 작고 노이즈가 많은 양자 시스템이 기존의 가장 우수한 전통적 컴퓨터 모델만큼 정확하게 미래의 청구 건수를 예측할 수 있는지, 그리고 더 중요한 것은, 불완전한 실제 기계에서 내린 예측이 완벽한 컴퓨터 시뮬레이션에서의 예측과 일치하는지 확인하는 것이었습니다.

연구팀은 먼저 다섯 가지 다른 버전의 양자 시스템을 설계했는데, 각 버전은 과거의 정보를 가장 잘 기억하는 구조를 찾기 위해 서로 약간씩 다른 내부 구조를 가지고 있었습니다. 그들은 먼저 완벽하고 노이즈가 없는 시뮬레이션 환경에서 이 설계들을 테스트했습니다. 이 이상적인 환경에서 양자 모델들은 경쟁력 있게 작동했으며, 생성된 오차는 여러 고전적 순환(recurrent) 및 레저보어 베이스라인들과 통계적으로 유사한 수준이었습니다. 다만 표준 릿지 회귀(ridge regression) 모델이 전반적으로 가장 정확했습니다. 양자 시스템은 여러 확립된 방식들만큼이나 일일 청구 건수의 등락을 잘 추적해냈으며, 이는 작은 양자 시스템이라도 이러한 유형의 복잡한 시계열 데이터를 충분히 다룰 수 있음을 입증했습니다.

하지만 진정한 시험은 연구진이 연구 시설에 위치한 실제 양자 프로세서로 옮겨갔을 때 시작되었습니다. 이 기계는 발전된 형태이긴 하지만 완벽하지 않습니다. 구성 요소들에 미세한 오류가 있고, 구성 요소 간의 연결도 균일하지 않습니다. 연구진은 단순히 동일한 코드를 실제 기계에서 실행하는 것만으로는 동일한 결과를 보장할 수 없다는 것을 발견했습니다. 큐비트들이 칩 위에 물리적으로 어떻게 배치되는지가 매우 중요했습니다. 그들은 데이터를 프로세서에 배치하는 세 가지 방법을 비교했습니다: 표준 소프트웨어가 선택한 방식, 무작위 배치, 그리고 연구진이 직접 만든 맞춤형 '하드웨어 인지형(hardware-aware)' 설계입니다.

이 물리적 테스트의 결과는 시사하는 바가 컸습니다. 맞춤형 하드웨어 인지형 설계가 표준 소프트웨어 방식보다 일관되게 우수한 성능을 보였습니다. 연구진이 세심하게 조율된 레이아웃을 사용했을 때, 실제 기계와 시뮬레이션 사이의 차이는 작고 관리 가능한 수준이었습니다. 예측은 안정적이었으며, 실제 기계가 이상적인 값에서 벗어나는 정도는 최악의 경우에도 하루 평균 청구 건수 8건 미만이었습니다. 반면, 표준 소프트웨어 레이아웃은 때때로 급격히 실패하여 오차가 하루 12건 가까이 치솟았고, 무작위 배치는 매우 불안정하여 때때로 30건 이상의 오차를 발생시켜 예측을 무용지물로 만들었습니다. 연구 결과, 실제 기계에 의해 발생하는 오류는 대부분 전체적인 수치의 단순한 이동(shift)이었으며, 혼란스러운 엉망진창이 아니었습니다. 즉, 총 건수는 약간 틀릴지언라도 시스템은 여전히 일일 변동을 올바르게 추적하고 있었다는 의미입니다.

또한 연구진은 양자 모델뿐만 아니라 모든 모델에 영향을 미치는 한계점도 발견했습니다. 보험사가 성장하고 테스트 기간 동안 활성 보험 계약 수가 크게 증가함에 따라, 모델들은 더 높은 총 청구 건수를 예측하는 데 어려움을 겪었습니다. 이는 모델들이 더 작은 규모의 포트폴리오 데이터를 기반으로 훈련되었고, 훨씬 더 큰 규모에서 일어나는 일을 추측해야 했기 때문입니다. 전통적인 통계 모델이 이러한 성장을 약간 더 잘 처리하긴 했지만, 양자 모델 역시 일일 변동을 따라가는 속도를 유지함으로써 데이터가 학습한 범위를 벗어난 상황에서도 고전적 방식들과 경쟁할 수 있음을 증명했습니다.

궁극적으로, 이 연구는 하드웨어를 주의 깊게 다룬다면 양자 컴퓨팅이 특정 실생활 예측 작업을 수행할 준비가 되었음을 보여줍니다. 이 연구는 작은 양자 시스템이 클래식 컴퓨터만큼 정확할 수 있지만, 이는 연구자가 오류를 최소화하기 위해 기계의 물리적 레이아웃을 신중하게 선택할 때만 가능하다는 것을 보여주었습니다. 단순히 양자 알고리즘을 실행하는 것만으로는 부족하며, 실행되는 하드웨어의 구체적인 특성을 이해해야 합니다. 문제를 프로세서의 물리적 현실에 매핑함으로써, 연구팀은 그들의 예측이 이론에서 실제 현장으로 넘어가는 과정에서도 살아남을 수 있도록 보장했으며, 이는 이 연약하고 강력한 기계들을 사용하여 일상적인 비즈니스 문제를 해결할 수 있는 명확한 경로를 제시합니다.

기술 요약: 하드웨어 인지형 양자 레저보어 보험 청구 예측

문제 정의
본 논문은 실세계의 노이즈가 있는 중간 규모 양자(NISQ) 하드웨어에서 시계열 예측을 위해 양자 레저보어 컴퓨팅(QRC)을 적용할 때 발생하는 과제를 다룹니다. 구체적으로, 본 연구는 다음 날의 자동차 보험 재물 손해 청구 건수 예측을 목표로 합니다. 연구는 두 가지 주요 질문을 조사합니다: (1) 소규모의 고정된 역학(fixed-dynamics)을 가진 QRC 모델이 이 작업에서 고전적인 통계 및 머신러닝 모델과 경쟁할 수 있는가? (2) 이러한 모델들을 물리적 큐비트에 체계적으로 설계하고 매핑하여, 이상적인 시뮬레이션에서 학습된 리드아웃(readout) 레이어를 재학습하지 않고도 물리적 프로세서로의 전이 과정에서 예측 성능이 유지되도록 할 수 있는가?

저자들은 QRC가 바렌 플래토(barren-plateau) 문제와 양자 파라미터의 경사 하강법 최적화를 피할 수 있게 해주지만, 대신 "QPU 전이(QPU transfer)" 문제라는 난제를 발생시킨다고 지적합니다. 즉, 결맞음(decoherence), 게이트 오류, 리드아웃 노이즈의 영향을 받는 하드웨어에서 측정된 특징값에 적용했을 때, 이상적인 시뮬레이션 특징값으로 학습된 리드아웃이 여전히 정확성을 유지하도록 보장해야 한다는 점입니다.

방법론
본 연구는 4.5년간의 일일 보험 청구 건수, 포트폴리오 노출(활성 보험), 캘린더 데이터를 활용한 3단계 워크플로우(그림 1)를 따릅니다.

문제 정식화 및 데이터:
- 작업: 당일 재물 손해 청구 건수( $C_{t+1}$ )의 1일 전 예측.
- 특징(Features): 4가지 입력( $F_4$ ): 현재 청구 건수( $C_t$ ), 활성 보험( $P_t$ ), 대상 요일( $D_{t+1}$ ), 공휴일 여부( $H_{t+1}$ ).
- 데이터 분할: 연대순 분할을 통해 학습(2022–2024), 검증(2025), 그리고 테스트용 홀드아웃 세트(2026)를 구성했습니다. 테스트 기간에는 포트폴리오 규모가 급격히 증가(약 9만 개에서 약 22.2만 개 정책으로)하여 외삽(extrapolation) 과제가 발생합니다.
양자 레저보어 설계 (시뮬레이션):
- 아키텍처: 6-큐비트 게이트 기반 레저보어. 큐비트 $q_0$ – $q_3$ 는 주입 레지스터(입력을 $R_Y$ 회전으로 인코딩) 역할을 하며, $q_4$ – $q_5$ 는 메모리 레지스터 역할을 합니다.
- 역학(Dynamics): 시스템은 추가적인 로컬 $Y$ 필드가 적용된 트로터화된 횡방향 장(transverse-field) 이싱(Ising) 해밀토니안 하에서 진화합니다.
- 입력 인코딩: 연속 변수는 표준화 및 클리핑(또는 softsign 변환)을 거쳐 회전 각도로 변환됩니다. 범주형 변수는 순환적 또는 이진 위상(binary phase)으로 매핑됩니다.
- 리드아웃: 이상적인 시뮬레이션 특징값으로 학습된 고전적 릿지 회귀(ridge regression) 모델입니다. 리드아웃은 테스트 평가 전에 **고정(frozen)**되며, 이후 모든 데이터(이상적, 노이즈가 포함된 시뮬레이션, 하드웨어)에 적용됩니다.
- 후보 선정: IBM 프로세서의 헤비-헥스(heavy-hex) 토폴로지와 호환되는 5개의 논리적 그래프( $H_0$ $H_{0}$ – $H_4$ $H_{4}$ )를 평가했습니다. 후보는 다음 4가지 규칙에 따라 선정되었습니다:
  - R1: 예측 정확도 (최저 CV RMSE).
  - R2: 지연 입력 메모리 용량(delayed-input memory capacity).
  - R3: 측정 견고성 (관측값이 샷 노이즈보다 더 크게 변하는지 확인).
  - R4: 회로 효율성 (CZ 게이트 수 및 깊이 최소화).
- 결과: 5개의 고정된 후보( $C_1$ – $C_5$ )가 정확도, 메모리, 견고성, 비용 간의 트레이드오프를 나타내도록 유지되었습니다.
하드웨어 실행 및 레이아웃 선택:
- 플랫폼: IBM Kingston (156 큐비트).
- 레이아웃 정책: 연구는 5개 후보에 대해 세 가지 물리적 큐비트 매핑 전략을 비교합니다:
  - 하드웨어 인지형 (Hardware-Aware, HA): 캘리브레이션 인지 워크로드 프록시(게이트 및 리드아웃 오류)와 훈련 데이터에 대한 짧은 프로브를 통해 추정된 "전이 왜곡(transfer distortion)" 지표( $d$ )를 기준으로 레이아웃을 선택합니다.
  - 무작위 네이티브 (Random-Native): 라우팅 없이 무작위 네이티브 임베딩을 선택합니다.
  - Qiskit: 기본 Qiskit 트랜스파일러(최적화 레벨 1)를 사용합니다.
- 평가: 총 63회의 평가가 21번의 쌍을 이룬 라운드(각 라운드는 동일한 후보를 세 가지 레이아웃 정책으로 평가)를 통해 수행되었습니다. 추출된 특징값에는 고정된 리드아웃이 적용되었습니다. 하드웨어 효과를 격리하기 위해 최종 테스트 실행 중에는 리드아웃 재학습이나 오차 완화(예: Estimator primitives)를 사용하지 않았습니다.

주요 기여

재현 가능한 하드웨어 인지형 QRC 워크플로우: 저자들은 논리적 설계부터 하드웨어 배포, 선택 규칙, 캘리브레이션된 노이즈 스크리닝, 고정된 구성을 포함하는 완전한 파이프라인을 제공합니다.
경쟁력 있는 예측 성능: 이상적인 QRC 후보들은 5.66–6.12 건/일의 제곱평균제곱근 오차(RMSE)를 달립다. 릿지 회귀가 가장 우수한 성능(5.36)을 보였으나, QRC 모델들은 고전적 순환 신경망(ESN, GRU, RNN) 및 XGBoost와 통계적으로 유사한 수준이었으며, 95% 블록 부트스트랩 하에서 5개 후보 중 4개에 대해 릿지 회귀와 유의미한 차이가 없었습니다.
레이아웃 정책 비교: 하드웨어 인지형(HA) 레이아웃 선택이 기본 Qiskit 레이아웃보다 일관되게 우수한 성능을 보였습니다. HA는 21번의 모든 쌍을 이룬 라운드에서 더 낮은 RMSE를 달성했으며, 최대 전이 왜곡을 7.59 건/일로 제한한 반면, Qiskit은 11.84 건/일을 기록했습니다. 무작위 네이티브 레이아웃은 결합기(coupler) 저하로 인해 높은 변동성과 심각한 전이 실패(왜곡 최대 35.3 건/일)를 보였습니다.
배포 전 진단: 훈련 입력만을 사용하는 짧은 QPU 프로브를 통해 테스트 실행 전 체계적인 예측 변화(레벨 이동)를 감지할 수 있음을 입증하였으며, 이를 통해 이상적인 예측 패턴을 보존하는 레이아웃을 식별할 수 있었습니다.

결과

예측 정확도: 홀드아웃 테스트 세트에서 릿지 회귀가 여전히 최고의 성능을 유지했습니다. QRC 모델은 특히 포트폴리오 노출이 훈련 범위를 초과한 테스트 기간의 후반부에 체계적인 과소 예측 편향(음의 편향 -1.5 ~ -3.1 건/일)을 보였습니다. 이는 릿지의 선형적 특성이 노출 성장을 더 잘 처리한 반면, QRC는 훈련 분포를 벗어난 외삽에 어려움을 겪었음을 시사합니다.
전이 왜곡: HA 레이아웃 선택은 이상적 예측과 하드웨어 예측 사이의 왜곡을 유의미하게 줄였습니다. 왜곡은 주로 일일 변동성의 상실보다는 예측 레벨의 체계적인 이동으로 나타났습니다(높은 $\rho_{lvl}$ 값).
하드웨어 vs. 시뮬레이션: QRC 모델은 이상적인 시뮬레이션에서는 경쟁력이 있었으나, 하드웨어로의 전이는 오차를 유발했습니다. 그러나 HA 전략은 무작위 레이아웃에서 나타나는 심각한 실패를 성공적으로 완화하여, 신뢰할 수 있는 QRC 배포를 위해 세심한 물리적 매핑이 필수적임을 증명했습니다.

의의 및 주장
본 논문은 논리적 아키텍처와 물리적 큐비트 레이아웃이 신중하게 선택된다면, 소규모 QRC 모델이 실제 보험 예측 작업에서 경쟁력 있는 정확도에 도달할 수 있다고 주장합니다. 또한, 하드웨어 인지형 레이아웃 선택이 시뮬레이션에서 NISQ 하드웨어로의 신뢰할 수 있는 예측 전이를 보장하는 데 결정적인 요소임을 강조합니다.

저자들은 QRC가 이 특정 외삽 중심 작업에서 최고의 고전적 베이스라인(릿지)을 아직 능가하지는 못하지만, 복잡한 순환 및 레저보어 베이스라인들과 대등한 성능을 보인다고 겸허히 결론짓습니다. 본 연구의 주요 가치는 양자 역학을 고정하고 고전적 리드아웃을 한 번만 학습시킨 뒤, 재학습이 아닌 지능적인 하드웨어 매핑을 통해 성능을 유지하는 "고정된 예측기(frozen foreaster)" 접근 방식의 타당성을 입증했다는 점에 있습니다. 이 작업은 시계열 예측을 위한 실제 하드웨어 상의 QRC에 대한 벤치마크를 구축하며, 예측 정확도와 시뮬레이션-하드웨어 간 전이 충실도(fidelity)를 구분하여 제시합니다.

기술 요약: 하드웨어 인지형 양자 레저보어 보험 청구 예측

유사한 논문