← 최신 논문
⚛️ 양자물리학

Uncertainty-aware quantum machine learning based on Dempster-Shafer theory

이 논문은 파라미터화된 양자 회로가 라벨 집합에 대한 예측 불확실성을 학습하고 표현할 수 있도록 하여 양자 뎀프스터-셰퍼(Dempster-Shafer) 융합에 대한 자원 효율적인 접근 방식을 제공하는, 뎀프스터-셰퍼 이론에 기반한 불확실성 인지 양자 분류 프레임워크를 소개한다.

원저자: Marie Kempkes, Jakob Spiegelberg, Evert van Nieuwenburg, Vedran Dunjko

게시일 2026-11-13
📖 3 분 읽기🧠 심층 분석

원저자: Marie Kempkes, Jakob Spiegelberg, Evert van Nieuwenburg, Vedran Dunjko

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

인공지능의 세계에서 단순히 대부분의 경우에 정답을 맞히는 모델은 종종 충분하지 않습니다. 열 번 중 아홉 번은 보행자를 정확히 식별하지만, 열 번째 시도에서 드물고 특이한 장애물을 인식하지 못하는 자율주행 자동차를 상상해 보십시오. 만약 시스템이 자신이 확신하지 못한다는 신호를 보낼 수 없다면, 그 결과는 심각할 수 있습니다. 이것이 바로 불확실성의 과제입니다. 즉, 컴퓨터가 무엇을 생각하는지뿐만 아니라, 그 생각에 대해 얼마나 확신하고 있는지를 아는 것입니다. 전통적인 머신러닝은 이 의구심을 측정하는 방법들을 발전시켜 왔지만, 신흥 분야인 양자 머신러닝은 주로 가공할 속도와 정확도에 집중해 왔으며, 신뢰성 문제는 대체로 다루지 않은 채 남겨두었습니다. 이제 연구자들은 강력한 도구들을 고위험 실생활 상황에 배치하기 위해 필수적인 능력인, '정답을 모를 때 인정할 수 있는' 양자 컴퓨터를 구축하는 방법에 대해 질문을 던지고 있습니다.

한 연구팀은 양자 회로가 뎀프스터-셰퍼 이론(Dempster-Shafer theory)이라는 수학적 프레임워크를 사용하여 불확실성을 표현하도록 가르침으로써 이 문제를 해결하는 데 중요한 진전을 이루었습니다. 특정 결과에 단일한 확률 백분율을 할당하는 일반적인 확률과 달리, 이 이론은 모델이 한 번에 여러 가능성의 집합에 가중치를 할당할 수 있게 해줍니다. 이것은 "나는 그것이 개라고 90% 확신한다"라고 말하는 것과 "그것이 개이거나 늑대라는 것은 확실하지만, 둘 중 무엇인지는 알 수 없다"라고 말하는 것의 차이와 같습니다. 이 차이는 매우 중요한데, 왜냐로 정보의 부족으로 인한 불확실성과 데이터 자체의 내재적 모호함으로 인한 불확실성을 구분하기 때문입니다. 이 고전적인 방법을 양자 시스템에 적용함으로써, 연구진은 단순히 하나의 예측을 출력하는 것이 아니라 자신이 무엇을 알고 무엇을 모르는지에 대한 구조화된 지도를 생성하는 새로운 유형의 분류기를 만들어냈습니다.

그들 작업의 핵심은 매개변수화된 양자 회로(parameterized quantum circuit), 즉 훈련 중에 설정을 조정할 수 있는 유형의 양자 프로그램입니다. 연구진은 회로가 모든 가중치를 하나의 특정 답변에 고정하기보다는 다양한 레이블의 집합에 '확신'을 분산하도록 유도하는 훈련 과정을 설계했습니다. 회로에 이미지가 입력되면, 모델은 서로 다른 결과들의 확률이 이러한 확신 가중치에 대응하는 양자 상태를 생성합니다. 입력값이 명확하고 친숙하다면, 모델은 단일 정답 레이블에 가중치를 집중시킵니다. 그러나 입력값이 혼란스럽거나 특이하다면, 모델은 자연스럽게 더 넓은 범위의 잠재적 레이블에 가중치를 분산시켜, 효과적으로 자신이 불확실하다는 신호를 보냅니다. 이러한 동작은 복잡한 외부 조정 없이도 훈련 과정 중 데이터로부터 직접적으로 나타납니다.

이 접근 방식이 실제로 작동하는지 테스트하기 위해, 팀은 실제 세계의 이미지 데이터셋을 사용하여 시뮬레이션을 실행했습니다. 그들은 숫자들을 인식하도록 양자 모델을 훈련시킨 후, 본 적 없는 이미지들로 그들에게 도전했습니다. 신뢰할 수 있는 불확실성 시스템이라면 이러한 생소한 이미지들을 위험한 것으로 표시해야 합니다. 결과는 그들의 방법이 이 작업에 매우 효과적임을 보여주었습니다. 모델은 익숙한 이미지와 생소하거나 특이한 이미지를 성공적으로 구별해냈으며, 불확실성 측정치는 높은 정확도로 생소한 데이터를 식별해냈습니다. 이는 양자 회로가 자신의 지식의 한계를 인식하는 법을 배웠음을 시사하며, 이는 안전하게 실세계에서 작동하고자 하는 모든 시스템에 필수적인 특성입니다.

연구진은 또한 이 모델들이 어떻게 함께 작동할 수 있는지 탐구했습니다. 많은 복잡한 시나리오에서는 여러 센서나 서로 다른 유형의 데이터가 상충되거나 부분적인 정보를 제공할 수 있습니다. 연구진은 그들의 양자 모델이 각자의 평가를 하나의 더 신뢰할 수 있는 결론으로 결합할 수 있음을 입증했습니다. 여러 서로 다른 양자 분류기로부터 얻은 불확실성 지도를 병합함으로써, 시스템은 단일 모델이 혼자 달성할 수 있는 것보다 더 명확한 그림에 도달할 수 있었습니다. 질량 융합(mass fusion)이라고 알려진 이 과정은 전반적인 정확도를 향상시키는 것으로 나타났으며, 이는 양자 모델이 의구심을 줄이고 예측을 날카롭게 하기 위해 협력할 수 있음을 증명했습니다.

현재의 실험은 물리적 하드웨어가 아닌 시뮬레이션된 양자 컴퓨터에서 수행되었지만, 이 결과는 미래를 위한 실질적인 청사진을 제공합니다. 이 연구는 양자 기계가 단순한 정확도 점수를 넘어, 자신의 한계에 대해 정직해질 수 있도록 훈련될 수 있음을 시사하며, 더 풍부하고 신뢰할 수 있는 결정 평가를 제공함을 보여줍니다. 이러한 불확실성 인지 방법을 통합함으로써, 이 분야는 단순한 성능을 넘어 자율 주행이나 의료 진단과 같은 중요한 응용 분야에 사용될 수 있을 만큼 안전하고 신뢰할 수 있는 양자 시스템으로 나아가고 있습니다. 이 연구는 양자 모델이 절대적인 확신부터 완전한 무지까지 지식의 전체 스펙트럼을 표현하는 법을 배울 수 있다는 것을 입증하며, 차세대 지능형 기계를 위한 필수적인 토대를 마련하고 있습니다.

연구 분야의 논문에 파묻히고 계신가요?

연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.

Digest 사용해 보기 →