Quantum machine learning performance evaluation for air pollution assessment with benchmarking and comparative analysis using multi-metric scoring and quantum circuit expressibility

기술 요약: 대기 오염 평가를 위한 양자 기계 학습 성능 평가

문제 정의
대기 질 저하는 즉각적인 구제 조치를 필요로 하며, 이는 대기질 지수(AQI) 예측을 위한 기계 학습(ML), 딥러닝(DL), 그리고 양자 기계 학습(QML)의 탐색을 촉진하고 있다. 다양한 연구들이 양자 영감을 받은 모델이나 하이브리드 양자-고전적 접근 방식을 대기 오염 데이터에 적용해 왔으나, 고전 모델과 양자 모델을 엄격하게 벤치마킹할 수 있는 통합된 다중 지표 프레임워크가 부족한 실정이다. 특히, 기존 문헌들은 표현력(expressibility) 및 얽힘 능력(entangling power)과 같은 양자 회로의 구조적 복잡성과 일반화 격차(generalization gaps), 그리고 노이즈가 있는 중간 규모 양자(NISQ) 제약 하에서의 최적화 병리 현상인 바렌 플래토(barren plateaus) 사이의 관계를 충분히 고려하지 못하고 있다. 본 연구는 양자 특유의 구조적 페널티를 포함하는 다중 지표 계층 구조를 사용하여 ML, DL, QML 모델을 비교 평가함으로써 이 간극을 메우고자 한다.

연구 방법론
본 연구는 인도 중앙 오염 통제 위원회(Central Pollution Control Board)에서 제공한 2015년부터 2020년까지의 257,834개 관측 데이터를 활용하며, 여기에는 PM2.5, PM10, NOx, SO2, O3 및 휘발성 유기 화합물을 포함한 13개의 예측 변수가 포함되어 AQI를 예측한다. 데이터 전처리는 z-score 정규화, Isolation Forest를 통한 이상치 제거, 결측치 보정, 그리고 왜도(skewness) 해결을 위한 Yeo-Johnson 변환 과정을 거쳤다. 특징(feature)은 양자 인코딩을 위해 4개의 주성분으로 축소되었다(96.5% 분산 유지).

MDQ-3L(Machine Learning, Deep Learning, Quantum - 3-Level)이라 명명된 평가 프레임워크는 세 가지 별도의 평가 수준을 통합한다:

1. 레벨 1 (예측 정확도): 정규화된 회귀 지표(MAE, MSE, RMSE, MAPE, RMSLE)와 결정 계수($R^2$)를 집계한다.
2. 레벨 2 (일반화): 훈련 및 테스트 RMSE 사이의 격차($\Delta_m$)를 측정한다.
3. 레벨 3 (양자 복잡도): NISQ의 한계와 바렌 플래토 위험을 고려하여 높은 표현력($E_m$)과 얽힘 능력($P_m$)에 대해 양자 특유의 구조적 정규화 항($\mathcal{R}_m^{(Q)}$)을 적용한다.

통합 성능 함수($J_m$)는 가중 계수($\alpha, \beta, \gamma$)와 함께 이 세 수준을 결합하며, 예측 정확도(80%)를 우선시하면서 복잡도 페널티(20%)를 통합한다. 확장 버전인 MDQ-3L+$\mathcal{B}$는 회로의 표현력 및 얽힘 능력이 목표 값에서 벗어나는 것을 페널티로 부여하는 벤치마킹 항($\mathcal{B}_m^{(exp)}$)을 포함한다.

본 연구에서 평가된 모델은 다음과 같다:

• 17개 ML 회귀 모델: CatBoost, XGBoost, Random Forest 및 다양한 선형 모델 포함.
• 9개 DL 모델: MLP, CNN, LSTM, GRU, DBN 및 Transformer 포함.
• 7개 QML 회로: 4개의 큐비트를 사용하는 무잡음 백엔드에서 시뮬레이션된 RLR(Random Layers Regressor), RYCZ, SELR(Shifted Entangled Linear Regressor), HEA(Hardware Efficient Ansatz), QCNN(Quantum Convolutional Neural Network), TTN(Tree Tensor Network), QAttn(Quantum Attention).

주요 결과

• 고전적 성능: 트리 기반 앙상블 방법, 특히 CatBoost와 Extra Trees, 그리고 **Deep Belief Network (DBN)**가 최상위 성능을 보였다. CatBoost는 $R^2$ 0.68, RMSE 72.41을 달성했으며, DBN은 모든 모델 중 가장 높은 $R^2$(0.72)와 가장 낮은 MSE(4807.5)를 기록했다.
• 양자 성능: 모든 QML 회로는 음수의 $R^2$ 값(범위: -1.2 ~ -7.9)을 나타냈으며, 이는 상수 평균 베이스라인보다 성능이 낮음을 의미한다. QAttn 및 RYCZ와 같은 일부 회로는 경쟁력 있는 원시 오차 지표(예: QAtt de MSE $\approx$ 0.25)를 보였으나, 음수의 분산 설명력과 구조적 페널티로 인해 고전 모델에 비해 현저히 높은 종합 점수를 기록했다.
• 구조적 페널티: 높은 표현력(QCNN, TTN, $E \approx 2.0$)과 높은 얽힘 능력(RLR, $P \approx 0.40$)을 가진 회로는 상당한 페널티를 받았다. MDQ-3L 프레임워크는 원시 회로 용량이 현재의 제약 조건 하에서는 예측 효용으로 직결되지 않음을 입증했다.
• 벤치마킹의 영향: 벤치마킹 항($\mathcal{B}$)을 포함했을 때, 회로의 표현력 및 얽힘 능력을 목표치에 맞춤으로써 QCNN 및 TTN과 같은 아키텍처의 페널티가 약 30% 감소했으나, 이들 역시 종합 점수에서 고전 모델에 25-40% 뒤처졌다.
• 특징 중요도: SHAP 분석 결과, PM2.5가 AQI의 지배적인 동인임을 확인하였으며, 그 뒤를 PM10, CO, O3가 이었다. 모델들은 미세먼지 농도에 크게 의존하고 있었다.

의의 및 주장
본 논문은 양자 기계 지능 벤치마크를 발전시키는, 해석 가능한 다중 지표 도구를 제공한다고 주장한다. 주요 기여는 다음과 같다:

1. 통합 벤치마킹: MDQ-3L 프레임워크는 이질적인 지표와 양자 구조적 특성을 하나의 비교 가능한 점수로 성공적으로 통합하여, 단일 지표는 우수하지만 다른 측면에서 실패하는 모델이 선택되는 것을 방지한다.
2. QML의 한계 규명: 본 연구는 NISQ 제약(4-6 큐비트, 얕은 깊이) 하에서 현재의 QML 회로가 일반화 격차와 최적화 병리 현상(바렌 플래토)을 겪으며, 고전 ML/DL 베이스라인 대비 25-40%의 성능 결함을 보임을 정량적으로 입증했다.
3. 미래 아키텍처를 위한 가이드라인: 높은 표현력과 얽힘에 페널티를 부여함으로써, 본 프레임워크는 낮은 얽힘의 안사츠(ansatz)(예: SELR 및 HEA)가 NISQ 학습 요구 사항에 더 잘 부합하여 향후 반복 작업에서 10-15%의 잠재적 이득을 제공할 수 있음을 시사한다.
4. 방법론적 엄밀성: 본 연구는 얽힘과 표현력을 단순히 질적으로 논의하는 것을 넘어, 이를 정량적인 정규화 좌표로 삽입함으로써 통계적 정확도와 하드웨어에 부합하는 복잡도 사이의 균형을 맞추는 엄격한 모델 선택 기준을 제시한다.

저자들은 현재의 양자 회로가 이 특정 회귀 작업에서 아직 우월하지는 않지만, 제안된 프레임워크가 미래의 하이브리드 모델을 평가하기 위한 필수적인 구조를 제공하며, 한 차원의 개선이 다른 차원의 병리 현상을 은폐하지 않도록 보장한다고 결론짓는다.