Quantum Neural Networks for Wind Energy Forecasting: A Comparative Study of Performance and Scalability with Classical Models

기술 요약: 풍력 에너지 예측을 위한 양자 신경망 (Quantum Neural Networks)

문제 정의
양자 머신러닝(QML)은 중첩(superposition)과 얽힘(entanglement) 같은 원리를 통해 고전적 학습을 향상시킬 수 있다는 이론적 가능성을 보유하고 있다. 그러나 특히 노이즈가 있는 중간 규모 양자(NISQ) 장치의 제약 조건 내에서 실질적인 유용성에 대한 회의론이 지속되고 있다. 특히 실제 회귀 작업에 대한 양자 신경망(QNN) 아키텍처의 체계적인 벤치마킹에 관한 문헌적 공백이 존재한다. 구체적으로, 최적의 QNN 구성을 선택하는 데 도움을 줄 수 있는 경험적 근거와, 에너지 예측 분야에서 고전적 모델과 비교했을 때의 데이터 크기 대비 확장성 및 계산 비용에 대한 연구가 부족하다. 본 연구는 데이터 복잡성이 고전적 확장성에 도전하는 과제인 풍력 발전량 예측 작업에 QNN을 평가함으로써 이러한 공백을 메우고자 한다.

방법론
본 연구는 10분 간격으로 기록된 풍력 터빈의 실측 데이터 4,464개를 활용한 실제 시계열 데이터셋을 사용한다. 입력 특성에는 풍속, 풍향, 기압, 온도가 포함되며, 생성된 전력 출력이 타겟 변수이다. 확장성을 분석하기 위해 저자들은 1,000, 2,000, 3,000, 4,000개의 샘플로 구성된 하위 집합을 생성하였으며, 이를 각각 80%의 훈련 세트와 20%의 테스트 세트로 나누고 min-max 스케일링을 통해 정규화하였다.

실험 설계는 Qiskit Machine Learning을 사용하는 고전-양자(CQ) 패러다임에 초점을 맞춘다. 핵심 방법론은 다음과 같다:

1. 데이터 인코딩: 사전 성능을 바탕으로 ZZ Feature Map 대신 Z Feature Map을 선택하였으며, 이는 시뮬레이션 및 근미래 하드웨어에 적합한 얕은 회로를 생성하는 능력을 갖추고 있다.
2. Ansatz 설계: Z Feature Map과 여섯 가지 서로 다른 얽힘 전략(Full, Linear, Circular, Shifted-Circular Alternating (SCA), Reverse Linear, Pairwise)을 결합하여 6가지의 독특한 QNN 구성을 구축하였다.
3. 최적화: 예측 오차를 최소화하기 위해 고전적 옵티마이저(ADAM 및 L-BFGS-B)를 사용하여 모델을 훈련하였다.
4. 벤치마킹: k-최근접 이웃(kNN), 결정 트리 회귀(DTR), 선형 회귀(LR)의 세 가지 고전적 회귀 모델과 성능을 비교하였다.

평가 지표로는 결정 계수($R^2$), 평균 제곱근 오차(RMSE), 훈련 안정성(손실 분산 및 스파이크 분석을 통해), 그리고 시뮬레이션 시간 복잡도가 포함되었다.

주요 기여
본 논문은 네 가지 주요 기여를 제공한다:

1. 체계적 벤치마킹: 실제 풍력 에너지 회귀 작업에 대해 6가지 QNN 구성을 종합적으로 평가하여, 다양한 데이터셋 크기에 따른 예측 성능과 안정성을 분석하였다.
2. 확장성 분석: 데이터셋 크기가 모델 정확도와 시뮬레이션 실행 시간 모두에 미치는 영향을 조사하여, 특정 "수익 체감 지점"을 식별하였다.
3. 복잡도 특성화: QNN 훈련 시간이 데이터셋 크기에 따라 선형적($O(n)$)으로 증가하며, 전체 양자 게이트 수가 계산 비용의 주요 동인임을 보여주는 경험적 증거를 제시하였다.
4. 안정성 프레임워크: 표준 편차, 최대 손실 스파이크, 최종 손실 값을 사용하여 서로 다른 회로 구성 간의 QNN 학습 역학을 비교하는 안정성 분석 프레임워크를 제안하였다.

실험 결과

• 예측 성능: QNN 구성은 고전적 베이스라인과 대등하거나 우수한 성능을 보였다. 가장 우수한 성능을 보인 구성인 QNN-3(Circular 얽힘 전략 사용)은 가장 큰 테스트 세트에서 0.94의 $R^2$ 점수와 174.67 kW의 RMSE에 도달하였다. 이는 가장 우수한 고전 모델인 kNN(0.94의 $R^2$ 및 182.99 kW의 RMSE 달성)보다 뛰어난 결과로, 예측 오차를 4.5% 감소시킨 것이다.
• 확장성 추세: 성능 향상은 데이터셋 크기를 800에서 1,600개 샘플로 늘릴 때 가장 두드러졌다. 1,600개를 초과하면 데이터 증가가 $R^2$나 RMSE의 일관된 개선으로 이어지지 않았으며, 일부 경우에는 성능이 약간 저하되기도 하였다. 이는 테스트된 아키텍처에 대한 최적의 데이터-모델 복잡도 비율이 존재함을 시사한다.
• 안정성: QNN-6(Pairwise 얽힘)이 모든 지표에서 가장 높은 안정성을 보였으며, QNN-2는 가장 높은 변동성을 보였다. 일반적으로 더 큰 데이터셋은 더 매끄러운 수렴과 감소된 손실 분산에 기여하였다.
• 계산 효율성: 훈련 시간은 데이터셋 크기에 따라 선형적으로 증가하였다. 낮은 총 게이트 수를 가진 구성(QNN-5 및 QNN-6, 34개 게이트)이 가장 시간 효율적이었던 반면, QNN-1(40개 게이트)은 가장 긴 훈련 시간을 요구하였다.
• 오차 분포: 양자 모델은 일반적으로 고전적 모델보다 더 대칭적이고 집중된 오차 분포를 보였다. 그러나 주목할 만한 한계점도 관찰되었는데, QNN은 가끔 물리적으로 불가능한 음수의 전력 출력을 생성하였으며, 이는 kNN이나 DTR에서는 나타나지 않은 현상이었다.

의의 및 주장
저자들은 본 연구가 회귀 작업을 위한 QNN에 대한 구조적이고 경험적인 평가를 제공하며, 특히 데이터가 제한적인 시나리오에서 고전적 머신러닝의 보완적 대안으로서 QNN의 생존 가능성을 입증한다고 주장한다. 연구 결과는 QNN이 고전적 성능과 일치하거나 이를 능가할 수 있지만, 그 확장성은 최적의 데이터-복잡도 비율과 게이트가 많은 회로의 계산 비용에 의해 제약을 받는다는 것을 시사한다.

본 논문은 QNN이 유망하지만 아직 고전적 방법들을 완전히 대체할 수준은 아니라고 겸허히 결론짓는다. 또한 향-후 연구로서 고급 고전적 베이스라인(예: XGBoost, LSTM)의 도입, 하이퍼파라미터 최적화, 그리고 QNN 모델링 과정 내에서 물리적 제약(예: 비음수 전력 출력)을 강제하는 방법론 개발의 필요성을 강조한다. 본 연구는 현재의 NISQ 시대에서 모델 복잡도, 데이터 크기, 그리고 계산 비용 사이의 트레이드오프를 이해하기 위한 기초적인 벤치마크 역할을 한다.