WiMi, 신경망 세 종류로 TF-QKD 파라미터 최적화 가능성 비교 연구

연구 배경: TF-QKD의 파라미터 최적화 문제

TF-QKD는 중계기 없이 장거리 양자키분배를 구현하는 프로토콜로, 보안 키 생성률을 극대화하려면 다수의 시스템 파라미터를 동시에 최적화해야 한다. 파라미터 차원이 높아질수록 기존 수치 최적화 방법은 계산 부담이 급격히 증가하는 문제가 있다. WiMi는 이 병목을 완화하기 위해 신경망의 비선형 근사 능력을 활용하는 접근을 시도했다.

세 가지 신경망 모델 비교

연구팀은 역전파 신경망(BPNN), 방사 기저 함수 신경망(RBFNN), 일반화 회귀 신경망(GRNN) 세 가지 모델을 학습·평가했다. BPNN은 가중치와 편향을 반복적으로 조정하는 오차 역전파 방식으로, 구조가 단순하고 범용성이 높아 계산 속도가 가장 빨랐다. RBFNN은 은닉층 뉴런에 방사 기저 함수를 활성화 함수로 사용해 고차원 비선형 문제에 적합하며, GRNN은 확률 밀도 추정과 커널 함수를 기반으로 소규모 데이터와 불확실성 처리에 강점이 있다.

평가 결과: 정확도와 속도의 절충

전체 모델 모두 TF-QKD 최적 파라미터를 일정 수준 이상 예측했다. 고차원 파라미터 공간에서는 RBFNN과 GRNN의 예측 정확도가 상대적으로 높았다. 계산 속도 면에서는 BPNN이 가장 빠르며, 실시간 응답이 중요한 환경에 유리하다. RBFNN과 GRNN은 계산 비용이 다소 높지만 허용 가능한 수준으로 평가됐다. 기존 최적화 알고리즘과 비교했을 때 신경망 기반 예측은 계산 시간을 수 자릿수 수준으로 줄였다고 회사 측은 밝혔다.

기술적 의미와 한계

신경망을 이용한 파라미터 예측은 양자 통신 환경 변화에 자동으로 적응하는 동적 최적화 가능성을 열어 준다는 점에서 의미가 있다. 다만 이번 연구는 사내 보도자료 형태로 공개된 것으로, 동료 심사를 거친 논문 출판 여부나 실제 양자 하드웨어 상에서의 검증 결과는 확인되지 않는다. WiMi가 본업인 홀로그램 AR 분야 외에 양자통신 연구를 병행하고 있다는 점도 연구 성숙도를 판단할 때 고려 요소다.

향후 계획

WiMi는 이후 심층 학습과 강화 학습 등 고급 AI 기법으로 연구를 확장하고, 양자 통신 하드웨어 플랫폼과의 통합을 통해 실용화·상용화를 추진할 계획이라고 밝혔다.