Quantum kernel support vector machines for trabecular bone classification: comparing feature reduction strategies on synthetic micro-CT data

본 연구는 소주질골 분류에서 차원 축소 전략의 대부분이 양자 커널 SVM 이 고전적 기준선보다 낮은 성능을 보이게 하지만, UMAP 만이 양자 커널이 경쟁력을 유지할 수 있게 하며, 다만 관찰된 우월성은 통계적으로 유의하지 않고 교차 검증 의존성에 의해 과장되었을 가능성이 있으며, 동시에 ZZ 양자 커널이 회귀 작업에서 매끄러운 거리 구조를 포착하지 못한다는 결과를 보여준다고 입증한다.

핵심

거대한 도서관의 책들을 "건강한 뼈"와 "약한 뼈"라는 두 개의 더미로 분류하려고 한다고 상상해 보세요. 하지만 텍스트를 읽는 대신, 여러분은 모든 페이지를 회색과 흰색의 복잡하고 소용돌이치는 패턴으로 변환하는 특수한 고기술 현미경을 통해 책을 들여다보고 있습니다. 이것이 바로 과학자들이 **소주질 (trabecular bone, 뼈 내부의 스펀지처럼 벌집 모양의 구조)**을 마이크로 CT 스캔을 사용하여 수행하는 작업의 본질입니다.

연구자들은 새로운 유형의 컴퓨터 뇌인 양자 컴퓨터가 표준 고전 컴퓨터보다 이 분류 작업을 더 잘 수행할 수 있는지 확인하고자 했습니다. 하지만 "도서관"이 너무 크고 패턴이 너무 복잡하여 양자 컴퓨터가 직접 처리하기에는 벅찼습니다. 마치 온 바다를 찻잔에 담으려 하는 것과 같습니다. 이를 해결하기 위해 그들은 먼저 데이터를 관리 가능한 크기로 축소해야 했습니다. 이 과정은 **차원 축소 (dimensionality reduction)**라고 불립니다.

다섯 가지 "축소기"

팀에서는 이 방대한 데이터를 양자 컴퓨터가 이해할 수 있는 작은 8 차원 "패키지"로 압축하기 위해 다섯 가지 다른 방법을 테스트했습니다. 이 방법들을 여행 가방을 싸는 다섯 가지 다른 방식으로 생각해보세요:

1. PCA (주성분 분석): 옷을 깔끔하게 접어서 넣는 것과 같습니다.
2. RP 가우시안 및 RP 희소 (Random Projections Gaussian & Sparse): 옷을 가방에 던져 넣고 무엇이 들어맞는지 확인하기 위해 흔드는 것과 같습니다.
3. PLS (부분 최소 제곱): 특정 여행에 필요하다고 아는 품목들만 싸는 것과 같습니다.
4. UMAP (균일 매니폴드 근사 및 투영): 가장 중요한 옷들이 바로 위에 오도록 옷을 재배열하는 마법 지도를 사용하는 것과 같습니다.

레이스: 고전 대 양자

데이터가 포장된 후, 두 명의 선수가 경기에 나섰습니다:

• 고전 선수: 검증된 "방사 기저 함수 (Radial Basis Function)" 알고리즘을 사용하는 표준 컴퓨터.
• 양자 선수: 특정 "ZZ 특징 맵 (ZZ feature map, 데이터를 양자 언어로 번역하는 방식)"을 사용하는 양자 컴퓨터.

그들은 누가 더 빠르고 정확한지 확인하기 위해 서로 다른 시나리오 (교차 검증) 에서 25 번 이 레이스를 주었습니다.

결과: 두 가지 이야기

첫 번째 테스트 ("접힌" 레이스):
동일한 데이터 세트를 반복해서 사용하여 테스트를 실행했을 때 (이는 때때로 컴퓨터가 정답을 암기하도록 속일 수 있음), UMAP만이 양자 선수가 고전 선수와 경쟁할 수 있었던 유일한 방법이었습니다. 실제로 양자 선수가 아주 미세한 차이로 승리한 것처럼 보였습니다.

두 번째 테스트 ("독립적인" 레이스):
확실히 하기 위해, 10 개의 완전히 새로운 독립적인 데이터 세트를 사용한 더 엄격한 테스트를 실행했습니다. 이번에는 마법이 사라졌습니다. 양자 선수가 실제로 고전 선수보다 약간 뒤처졌습니다. 첫 번째 테스트에서의 미세한 "승리"는 데이터가 그룹화되는 방식에 의해 발생한 우연인 것으로 드러났습니다.

패자:
나머지 네 가지 방법 (PCA, 무작위 투영, PLS) 에 대해서는 양자 선수가 단순히 졌을 뿐만 아니라, 크게 주저앉았습니다. 건강하고 약한 뼈를 구별하는 데 있어 고전 컴퓨터보다 훨씬 못했습니다.

회귀 실험

연구자들은 또한 뼈를 단순히 더미로 분류하는 대신 정확한 숫자 (예: "뼈의 두께는 얼마나 되는가?") 를 예측하기 위해 양자 컴퓨터를 사용해보기도 했습니다. 이는 "무겁다"거나 "가볍다"고 말하는 대신 책의 정확한 무게를 추측해보려는 것과 같습니다.

• 결과: 양자 컴퓨터는 이 부분에서 완전히 실패했습니다. 숫자를 전혀 예측하지 못했으며, 종종 음수 점수를 받았습니다. 그들이 사용한 양자 도구는 범주 사이의 선을 그리는 것 (분류) 에는 좋지만, 매끄럽고 연속적인 측정치 (숫자 예측) 를 이해하는 데는 매우 나쁜 것으로 보입니다.

결론

핵심 메시지는 간단합니다: 데이터를 어떻게 준비하느냐가 사용하는 컴퓨터보다 더 중요합니다.

데이터를 축소하는 잘못된 방법 (예: PCA 또는 무작위 포장) 을 사용하면 양자 컴퓨터의 성능이 떨어집니다. 그러나 올바른 방법 (UMAP) 을 사용하면 양자 컴퓨터는 적어도 고전 컴퓨터와 경쟁할 수 있지만, 반드시 승리하는 것은 아닙니다. 이 연구는 양자 컴퓨터가 이 분야에서 유용해지기 위해서는 양자 기계로 보내기 전에 데이터를 어떻게 "포장"할 것인지 매우 신중해야 한다고 결론지었습니다.

기술 요약

기술 요약: 해면골 분류를 위한 양자 커널 서포트 벡터 머신

문제 제기
양자 커널 방법은 고차원 특징 공간 내의 분류 작업에서 이론적으로 유망하지만, 그 실용적 유용성은 입력 특징의 준비에 크게 의존합니다. 본 연구는 차원 축소 전략이 해면골 구조 분류에 적용될 때 양자 커널 서포트 벡터 머신 (QK-SVM) 의 성능에 미치는 영향에 대한 핵심적인 질문을 다룹니다. 구체적으로, 이 연구는 합성 마이크로 컴퓨터 단층 촬영 (micro-CT) 데이터를 통제된 테스트베드로 사용하여, 다양한 선형 및 비선형 방법으로 축소된 특징을 입력으로 받을 때 양자 커널이 기존 고전적 기준선보다 우수한 성과를 낼 수 있는지 조사합니다.

방법론
저자들은 합성 데이터 생성, 특징 추출, 차원 축소, 그리고 비교 분류를 포함하는 포괄적인 실험 파이프라인을 구축했습니다:

• 데이터 생성: 가우스 랜덤 필드 영점 교차 (zero-crossings) 기반의 맞춤형 절차적 생성기를 사용하여 500 개의 합성 해면골 부피를 생성했습니다. 이러한 부피들은 골량 분율 (BV/TV), 해면골 두께 (Tb.Th), 수 (Tb.N), 간격 (Tb.Sp) 을 포함한 통제된 형태계측 특성을 지녔습니다.
• 특징 처리: 회색조 슬라이스로부터 텍스처 특징을 추출하여 양자 회로에 적합한 8 차원 입력으로 축소했습니다. 다섯 가지 서로 다른 차원 축소 전략을 평가했습니다:
  1. 주성분 분석 (PCA)
  2. 가우스 랜덤 투사 (RP Gaussian)
  3. 희소 랜덤 투사 (RP Sparse)
  4. 부분 최소 제곱 (PLS)
  5. 균일 매니폴드 근사 및 투사 (UMAP)
• 분류 모델: 축소된 특징은 두 가지 모델을 사용하여 분류되었습니다:
  • 고전적 방사 기저 함수 (RBF) SVM.
  • ZZ 특징 맵을 활용하는 양자 커널 SVM (상태 벡터 시뮬레이터에서 시뮬레이션됨).
• 평가 프로토콜: 성능은 두 가지 엄격한 검증 방식을 통해 평가되었습니다:
  1. 반복 계층적 교차 검증: 폴드 의존적 성능을 평가하기 위한 5x5 반복 방식 (총 25 폴드).
  2. 독립 데이터셋 검증: 각 데이터셋이 독립적으로 생성된 샘플, 별도의 축소 적합, 그리고 별도의 커널 행렬을 포함하는 10 개의 완전히 독립적인 데이터셋에서 테스트하여 폴드 의존성 아티팩트를 제거했습니다.
• 회귀 작업: 커널이 부드러운 메트릭 구조를 포착하는 능력을 테스트하기 위해 연속적인 형태계측 예측을 위해 양자 커널 릿지 회귀 또한 평가되었습니다.

주요 결과
본 연구는 양자 커널의 경쟁력에 대해 미묘한 발견들을 도출했습니다:

• UMAP 성능: UMAP 은 양자 커널이 고전적 기준선과 경쟁력을 유지한 유일한 축소 방법이었습니다.
  • 5x5 반복 교차 검증에서 UMAP 은 양자 커널이 약간의 정확도 우위 (+0.032) 를 보였으나, 이는 통계적으로 유의하지 않았습니다 (Dietterich 5x2 CV p = 0.177).
  • 결정적으로, 10 개의 독립 데이터셋에서 검증되었을 때, 이 우위는 -0.030 의 결손으로 반전되었으며 (쌍체 t-검정 p = 0.123; Wilcoxon p = 0.193), 양자 모델은 10 개 데이터셋 중 3 개에서만 승리했습니다. 이는 초기의 명백한 우위가 아마도 폴드 의존성에 의해 과장되었음을 시사합니다.
• 선형 방법의 결손: 모든 선형 축소 방법 (PCA, RP Gaussian, PLS) 은 고전적 기준선에 비해 양자 커널의 성능에 상당한 결손을 초래했습니다. BV/TV 분류에서 -0.090 에서 -0.116 범위에 달했습니다.
  • PCA 와 PLS 의 결손은 보정된 테스트 하에서 통계적으로 유의미하게 유지되었습니다 (5x2 CV p=0.004 및 p=0.007).
• 회귀 실패: 연속 예측 작업에서 ZZ 양자 커널은 균일하게 실패하여, 4 큐비트에서의 PLS 를 제외한 모든 방법에 대해 음수 $R^2$ 점수를 기록했습니다. 이는 ZZ 커널이 분류를 위한 결정 경계를 포착할 수는 있지만, 회귀에 필요한 부드러운 메트릭 구조를 모델링하지는 못함을 나타냅니다.

의의 및 주장
본 논문은 차원 축소의 선택이 근미래 양자 머신러닝 파이프라인에서 양자 커널이 고전적 기준선과 경쟁력을 유지할 수 있는지 여부를 결정하는 요인이라고 결론지었습니다. 저자들은 겸손하게도 그들의 발견이 특징 공학에 대한 실용적인 지침을 제공한다고 주장하며, 다음을 강조합니다:

1. 교차 검증에서의 명백한 양자 우위는 데이터 누수나 폴드 의존성의 아티팩트일 수 있으므로, 엄격한 독립 검증이 필요합니다.
2. 현재 양자 커널 아키텍처 (특히 ZZ 특징 맵) 는 부드러운 메트릭 구조를 포함하는 회귀 작업에 적합하지 않을 수 있습니다.
3. 신중한 특징 준비 (이 맥락에서는 특히 UMAP 과 같은 비선형 방법) 없이는 양자 커널이 고차원 생물학적 데이터 분류에서 고전적 대응물보다 열성할 수 있습니다.