[논문 리뷰] Flood Prediction Using Classical and Quantum Machine Learning Models

Marek Grzesiak, Param Thakkar|arXiv (Cornell University)|2024. 07. 01.

Hydrological Forecasting Using AIEnvironmental Science인용 수 3

한 줄 요약

이 연구는 2023년 독일의 우퍼 강에서 홍수 예측을 향상시키기 위해 고전적 기계학습과 양자 기계학습의 하이브리드 프레임워크를 제안한다. 초전도성과 얽힘과 같은 양자 성질을 활용하여 양자 변분 회로, QBoost, QSVC_ML 등의 모델을 적용하였다. 결과적으로 QML 모델들은 고전적 모델에 비해 경쟁적인 학습 시간과 향상된 예측 정확도를 보였으며, 기후 회복력 응용 분야에서 양자 기계학습의 잠재력을 입증하였다.

ABSTRACT

This study investigates the potential of quantum machine learning to improve flood forecasting we focus on daily flood events along Germany's Wupper River in 2023 our approach combines classical machine learning techniques with QML techniques this hybrid model leverages quantum properties like superposition and entanglement to achieve better accuracy and efficiency classical and QML models are compared based on training time accuracy and scalability results show that QML models offer competitive training times and improved prediction accuracy this research signifies a step towards utilizing quantum technologies for climate change adaptation we emphasize collaboration and continuous innovation to implement this model in real-world flood management ultimately enhancing global resilience against floods

연구 동기 및 목표

• 기후 관련 홍수 사건이 증가하는 상황에서 정확한 홍수 예측의 도전에 대응하기 위해.
• 고전적 모델에 비해 예측 정확도와 계산 효율성에서 향상된 성능을 보이는가를 확인하기 위해 양자 기계학습(QML)의 잠재력을 조사하기 위해.
• 고전적 기계학습(SVM, KNN, AR, 회귀)과 양자 강화 모델(Adaboost, QVC, QBoost, QSVC_ML)을 통합한 하이브리드 시스템을 개발하고 비교하기 위해.
• 실제 수문학적 데이터에서 QML 모델의 확장성, 학습 시간, 예측 성능를 평가하기 위해.
• 기후 변화 적응을 위해 환경 위험 모델링 분야에서 양자 기술의 발전을 기여하기 위해.

제안 방법

• 기본 기준 예측을 위해 지지벡터기계(SVM), K-가까운 이웃(KNN), 선형 회귀, 자동상관(AR) 모델을 포함한 고전적 기계학습 모델을 사용하였다.
• 양자 병렬성과 얽힘을 활용하기 위해 양자 변분 회로(QVC), QBoost, 양자 지지벡터기계(QSVC_ML)와 같은 양자 기계학습 기법을 통합하였다.
• 분류 정확도 향상을 위해 양자 결합 결정식과 양자 랜덤 포레스트를 포함한 양자 강화 앙상블 방법을 적용하였다.
• 복잡한 고차원 수문학적 데이터를 다루는 데에 두 파라다임의 장점을 살릴 수 있도록 고전적 모델과 양자 모델을 하이브리드 프레임워크로 통합하였다.
• 학습 시간, 예측 정확도, 다양한 데이터 크기에서의 확장성 등의 지표를 사용해 모델 성능을 평가하였다.
• 2023년 우퍼 강의 실질적 일일 홍수 데이터를 기반으로 고전적 모델과 양자 모델 간의 비교 분석을 수행하였다.

Figure 1: Learning Curve for SVM Model

실험 결과

연구 질문

• RQ1 실제 수문학적 데이터에 대해 양자 기계학습 모델이 고전적 기계학습 모델보다 홍수 예측 정확도에서 뛰어난 성능을 보일 수 있는가?
• RQ2 QBoost와 양자 변분 회로와 같은 양자 강화 모델은 SVM과 KNN 같은 고전적 모델에 비해 학습 시간과 예측 성능에서 어떻게 비교되는가?
• RQ3 초전도성과 얽힘과 같은 양자 성질은 시간 시리즈 데이터에서 복잡한 비선형 홍수 패턴을 모델링하는 데 얼마나 기여하는가?
• RQ4 일년간의 일일 홍수 사건 예측에 적용했을 때, 양자 기계학습 모델의 확장성은 어느 정도인가?
• RQ5 고전적 모델과 양자 모델을 통합함으로써 단독 접근에 비해 전체 홍수 예측 성능은 얼마나 향상되는가?

주요 결과

• 양자 기계학습 모델들은 고전적 모델에 비해 경쟁적인 학습 시간을 기록하면서도 더 높은 예측 정확도를 달성하였다.
• 하이브리드 고전-양자 프레임워크는 복잡한 홍수 패턴에서 일반화 능력을 향상시키기 위해 초전도성과 얽힘과 같은 양자 성질을 효과적으로 활용하였다.
• 양자 강화된 Adaboost와 QBoost 모델은 잘못 분류된 인스턴스를 다루는 데서 더 뛰어난 성능을 보이며 분류의 강건성을 향상시켰다.
• 양자 변분 회로와 QSVC_ML 모델은 비선형 관계를 잘 포착함으로써 홍수 발생 가능성 분류에 높은 정확도를 보였다.
• 이 연구는 QML 모델이 실시간 홍수 예측에 실현 가능하며, 운영 재해 관리 시스템에 통합될 잠재성을 확인하였다.
• 하드웨어 제약에도 불구하고 결과적으로 QML은 정확도와 효율성에서 뚜렷한 성능 우위를 보였으며, 향후 양자 강화 기후 모델링 분야에 대한 투자에 대한 지원이 되었다.

Figure 2: Distribution of Flood Events