WiMi, 신경망으로 쌍둥이장 양자키분배 파라미터 최적화 연구 착수

왜 TF-QKD에 신경망인가

TF-QKD는 중계기 없이 장거리 비밀키 생성을 가능하게 하는 프로토콜로, 광섬유 채널의 편광 변화와 위상 표류에 실시간으로 대응해야 한다. 기존 방식은 강도(intensity)·위상(phase) 파라미터를 최적화할 때 다변수 탐색 알고리즘에 의존해 계산 부하가 크고 응답 지연이 발생한다. WiMi 연구진은 이 병목을 사전 학습된 신경망으로 대체함으로써 동적 파라미터 계산 비용을 수 자릿수 이상 낮출 수 있다고 주장한다. 지연 감소는 곧 비밀키 생성 속도 향상과 실시간 채널 적응성 개선으로 이어진다는 논리다.

세 가지 신경망 구조의 성능 비교

연구팀은 BPNN(역전파 신경망), RBFNN(방사기저함수 신경망), GRNN(일반화 회귀 신경망) 세 가지 구조를 복잡한 파라미터 공간에서 벤치마킹했다. BPNN은 구조가 단순한 만큼 연산 속도가 가장 빠르고, 중간 수준의 정밀도가 요구되는 빠른 응답 시스템에 적합하다. 반면 RBFNN과 GRNN은 고차원 변수 처리와 신호 불확실성 대응에서 더 높은 예측 정확도를 보였다. GRNN은 확률밀도 추정 방식 덕분에 희소 샘플 데이터와 채널 노이즈에 강점이 있다. 결국 속도·정밀도·노이즈 내성 간 트레이드오프가 응용 환경에 따라 모델 선택을 결정하게 된다.

향후 계획: 딥러닝·강화학습으로의 확장

베이징에 본사를 둔 WiMi는 이번 연구를 딥러닝과 강화학습 패러다임으로 확장해 다자간 양자통신 프로토콜처럼 더 복잡한 시나리오에 대응할 계획이다. 장기 목표는 학습된 최적화 알고리즘을 상용 양자 하드웨어와 직접 통합해 시뮬레이션 환경에서 실제 고속 양자 보안 데이터 전송망으로 전환하는 것이다.

의미와 한계

신경망 기반 파라미터 최적화가 TF-QKD 시스템의 실용화 장벽 중 하나인 실시간 제어 복잡성을 낮출 수 있다면, 광섬유 기반 양자통신망 구축 비용과 운용 난이도를 줄이는 데 기여할 수 있다. 다만 이번 발표는 기업 공시 성격이며, 동료 검토(peer review)를 거친 논문 형태로 공개된 것이 아니다. 벤치마크 결과의 독립적 검증과 실제 채널 환경에서의 성능 확인이 추가로 필요하다.