Feature‑Adaptive Fusion in Hybrid Quantum–Classical Neural Networks for Robust Biomedical Image Classification

기술 요약: 강건한 생의학 이미지 분류를 위한 하이브리드 양자-고전 신경망에서의 특징 적응형 융합(Feature-Adaptive Fusion)

문제 정의
하이브리드 양자-고전 신경망(HQNN)은 큐비트 수와 회로 깊이가 하드웨어 제약에 의해 제한되는 잡음 중간 규모 양자(NISQ) 시대에서 양자 기계 학습을 위한 실용적인 패러다임을 제시한다. 기존의 하이브리드 모델들은 대개 고전적 딥러닝과 변분 양자 회로(VQC)를 결합하지만, 이들은 주로 고정되거나 전역적으로 공유된 융합 전략(예: 순차적 처리 또는 고정 가중치 평균화)에 의존한다. 이러한 정적인 통합 방식은 입력 데이터가 분포 변화나 손상을 겪을 때, 양자 분기(branch)가 제공하는 상보적인 정보를 충분히 활용하지 못할 수 있다. 특히 센서 노이즈(예: 가우시안, 포아송)나 획득 가변성에 의해 이미지가 빈번하게 영향을 받는 생의학 이미지 분류 분야에서, 이러한 하이브리드 모델의 현실적인 손상 조건하에서의 강건성은 여전히 충분히 규명되지 않았다. 또한, 기존 아키텍처는 종종 고전 및 양자 분기에 미리 결정된 역할을 할당함으로써, 변화하는 이미지 콘텐츠와 손상 심각도에 대한 적응성을 제한한다.

방법론
저자들은 생의학 이미지 분류를 위해 설계된 엔드 투 엔드 학습 가능 프레임워크인 **특징 적응형 융합 하이브리드 양자-고전 신경망(FAF-HQNN)**을 제안한다. 이 아키텍처는 네 가지 주요 구성 요소로 이루어진다:

1. 특징 추출(Feature Extraction): ImageNet 가중치로 초기화된 ResNet-18 기반의 고전적 딥 특징 인코더가 입력 이미지로부터 고수준 시각 표현을 추출한다. 마지막 완전 연결 계층은 제거되며, 512차원 특징 벡터를 생성하기 위해 전역 평균 풀링(Global Average Pooling)이 적용된다.
2. 특징 압축(Feature Compression): 딥 특징과 NISQ 제약 사이의 차원 불일치를 해결하기 위해, 학습 가능한 압축 모듈이 512차원 벡터를 압축된 64차원 공유 임베딩으로 투영한다. 이 임베딩은 매개변수화된 양자 게이트와의 호환성을 보장하기 위해 쌍곡 탄젠트 활성화 함수를 통해 $[-\pi, \pi]$ 구간으로 재스케일링된다.
3. 병렬 하이브리드 예측(Parallel Hybrid Prediction): 공유 임베딩은 다음 두 개의 병렬 분기로 동시에 입력된다:
   • 양자 분기(Quantum Branch): 변분 양자 회로(VQC)가 고전-양자 인코딩(Hadamard, $R_y$, $R_z$ 게이트 사용), 변분 변환(학습 가능한 단일 큐비트 회전 및 근접 이웃 CNOT 얽힘), 그리고 측정 기반 판독(Pauli-X 관측량의 기대값)을 수행한다. 출력은 선형 계층을 통해 클래스 로짓(logits)으로 매핑된다.
   • 고전 분기(Classical Branch): 경량 다층 퍼셉트론(MLP)이 동일한 공유 임베딩을 처리하여 고전적 클래스 로짓을 생성한다.
4. 특징 적응형 클래스별 융합(Feature-Adaptive Class-Wise Fusion): 핵심 혁신 사항은 샘플 의존적이고 클래스별인 융합 계수 예측기(sigmoid 활성화를 가진 2계층 MLP)이다. 이는 공유 임베딩으로부터 클래스별 융합 가중치($\alpha_i \in [0, 1]^C$)를 생성한다. 최종 예측은 클래스 로짓의 동적 가중 합산이다: $\hat{y}_i = \alpha_i \odot y^c_i + (1 - \alpha_i) \odot y^q_i$. 이를 통해 모델은 특정 입력 샘플과 클래스에 따라 분기의 기여도를 동적으로 조절할 수 있다.

모델은 융합된 로짓에 대해 표준 교차 엔트로피 손실을 사용하여 학습된다.

주요 기여

• 아키텍처 제안: 고정된 통합 방식에서 벗어나, 딥 고전 인코더를 VQC 분기와 통합하는 특징 적응형 융합 메커니즘을 갖춘 FAF-HQNN을 도입하였다.
• 적응형 융합 메커니즘: 샘플 의존적 가중치를 예측하는 클래스별 융합 전략을 개발하여, 변화하는 입력 조건 하에서 고전 및 양자 정보의 상보적 활용을 유연하게 수행할 수 있게 하였다.
• 강건성 평가: 생의학 벤치마크(가우시안, 솔트 앤 페퍼, 포아송 노이즈)에서 하이브리드 모델을 체계적으로 평가하여, 강건성이 자주 간과되는 현재 문헌의 공백을 메웠다.
• 경험적 분석: VQC 설계 선택지(회로 레이아웃, 측정 기저, 깊이)가 하이브리드 성능에 미치는 영향에 대한 종합적인 조사를 수행하였다.

실험 결과
프레임워크는 두 가지 MedMNIST 벤치마크인 PathMNIST(조직 병리)와 BloodMNIST(혈구 인식)에서 평가되었다. 깨끗한 데이터 평가와 다양한 손상 강도 하에서의 강건성 테스트가 포함되었다.

• 깨끗한 데이터 성능: FAF-HQNN은 두 데이터셋 모두에서 비교 대상인 모든 방법(순수 고전, 순수 양자, 고정 융합 하이브리드 베이스라인 포함) 중 가장 높은 전체 성능을 달ей었다. PathMNIST에서 $0.8910 \pm 0.0149$의 정확도를 달성하여 고전 베이스라인보다 2.63 퍼센트 포인트 높은 성능을 보였다.
• 강건성: 가우시안 및 포아송 노이즈 하에서 FAF-HQN은 일관되게 우수한 강건성을 입증하였으며, 대부분의 손상 수준에서 단일 분기 베이스라인 및 고정 융합 하이브리드보다 높은 정확도와 AUC를 유지하였다. 솔트 앤 페퍼 노이즈의 경우, FAF-HQNN은 저~중간 정도의 손상에서는 최상의 성능을 보였으나, 심각한 손상 수준에서는 스칼라 가중치 융합 베이스라인(H-Scalar)이 경쟁력 있거나 더 우수한 성능을 보여, 최적의 융합 전략이 노이즈 심각도에 따라 달라질 수 있음을 시사하였다.
• 양자 모듈 분석:
  • 회로 깊이: 얕은 회로(단일 레이어)가 가장 좋은 성능을 보였다. 깊이를 2 또는 3개 층으로 늘리면 결과가 저하되었는데, 이는 깊은 회로가 필요한 표현력을 더해주지 못하고 오히려 최적화 문제를 유발함을 시사한다.
  • 측정 기저: 단일 측정 기저(Pauli-X, Y, Z)나 결합 기저(XYZ)가 모든 회로 레이아웃에 걸쳐 일관되게 우세하지는 않았으나, Pauli-X 측정을 사용하는 Circuit 1이 전반적으로 가장 좋은 결과를 얻었다.
  • 안정성: 순수 양자 분기(HQNN)는 가장 낮은 성능과 가장 높은 분산을 보였으며, 이는 양자 구성 요소가 단독 분류기보다는 보완적 예측기로서 기능할 때 가장 효과적임을 확인시켜 준다.

의의 및 주장
본 논문은 특징 적응형 융합이 생의학 이미지 분류를 위한 하이브리드 양자-고전 모델의 정확도와 강건성을 향상시키는 효과적인 전략이라고 주장한다. 결과는 순수 양자 모델이 현재 고차원 작업을 단독으로 수행하기에는 부족하지만, 고전 인코더와 결합될 때 양자 분기가 유용한 상보적 정보를 제공할 수 있음을 시사한다. 적응형 융합 메커니즘은 모델이 이러한 상보적 강점을, 특히 손상된 입력 조건 하에서 동적으로 활용할 수 있게 한다.

저자들은 본 연구가 시뮬레이션(PennyLane의 default.qubit)과 통제된 MedMNIST 벤치마크를 기반으로 하고 있다는 점을 들어 신중한 입장을 유지한다. 이들은 실험 결과가 아직 하드웨어 특유의 효과(예: 게이트 잡음, 결맞음 해제)를 반영하지 못하고 있으며, 관찰된 이점들이 더 크고 고해상도인 임상 데이터셋 및 실제 NISQ 하드웨어에서 검증되어야 함을 인정한다. 본 연구는 NISQ 시대의 실질적인 가치가 고전적 딥러닝을 대체하는 데 있기보다, 적응형 통합을 통해 표현의 다양성을 풍부하게 하고 강건성을 개선하는 데 있을 수 있다는 결론을 내린다.