[논문 리뷰] QUPID: A Partitioned Quantum Neural Network for Anomaly Detection in Smart Grid

Hoang M. Ngo, Tre’ R. Jeter외 2명|arXiv (Cornell University)|2026. 01. 16.

Smart Grid Security and Resilience인용 수 0

한 줄 요약

논문은 QUPID를 도입한다, 스마트 그리드의 이상 탐지를 위한 분할된 양자 신경망이며, 양자 유도 노이즈와 차등 프라이버시를 활용해 강건성과 확장성을 향상시키는 R-QUPID라는 강건한 변형도 포함한다.

ABSTRACT

Smart grid infrastructures have revolutionized energy distribution, but their day-to-day operations require robust anomaly detection methods to counter risks associated with cyber-physical threats and system faults potentially caused by natural disasters, equipment malfunctions, and cyber attacks. Conventional machine learning (ML) models are effective in several domains, yet they struggle to represent the complexities observed in smart grid systems. Furthermore, traditional ML models are highly susceptible to adversarial manipulations, making them increasingly unreliable for real-world deployment. Quantum ML (QML) provides a unique advantage, utilizing quantum-enhanced feature representations to model the intricacies of the high-dimensional nature of smart grid systems while demonstrating greater resilience to adversarial manipulation. In this work, we propose QUPID, a partitioned quantum neural network (PQNN) that outperforms traditional state-of-the-art ML models in anomaly detection. We extend our model to R-QUPID that even maintains its performance when including differential privacy (DP) for enhanced robustness. Moreover, our partitioning framework addresses a significant scalability problem in QML by efficiently distributing computational workloads, making quantum-enhanced anomaly detection practical in large-scale smart grid environments. Our experimental results across various scenarios exemplifies the efficacy of QUPID and R-QUPID to significantly improve anomaly detection capabilities and robustness compared to traditional ML approaches.

연구 동기 및 목표

• 스마트 그리드에서 견고하고 실시간 이상 탐지의 필요성을 해결한다.
• 양자 기계 학습을 활용해 고차원이고 복잡한 그리드 데이터를 모델링한다.
• 큐빗 수를 줄이고 확장성을 향상시키기 위한 분할 스킴을 도입한다.
• 양자 인코딩을 통해 복소수 값을 처리한다.
• 양자 유도 노이즈와 차등 프라이버시를 통한 강건성 프레임워크를 제공한다.

제안 방법

• 입력 데이터를 이웃 PMU로 분할하여 K개의 파티션을 생성한다.
• 복소수 PMU 측정치를 진폭 인코딩을 사용해 양자 상태로 인코딩한다.
• 각 파티션을 작은 매개변수 가능 PQC로 처리해 잠재 특징 h^(k)을 산출한다.
• 파티션 특징을 연결해 글로벌 잠재 벡터 h를 형성하고 두 개의 Dense ReLU 층을 거쳐 로짓을 얻는다.
• 교차 엔트로피 손실과 gradient 기반 최적화를 사용해 모델을 학습한다.
• PQC 뒤에 depolarizing 노이즈를 삽입하고 차등 프라이버시를 통해 클래식 노이즈를 결합하여 이론적으로 입증 가능한 강건성을 얻도록 R-QUPID로 확장한다.

실험 결과

연구 질문

• RQ1 QUPID가 여러 시나리오에서 스마트 그리드 이상 분류에 대해 최첨단의 고전적 및 하이브리드 베이스라인을 능가하는가?
• RQ2 분할 접근법이 양자 강화 이상 탐지의 확장성과 학습 효율성을 개선하는가?
• RQ3 양자 유도 노이즈가 차등 프라이버시 보장을 증폭하고 적대적 공격에 대해 입증 가능한 강건성을 제공하는가?
• RQ4 잡음이 있는 양자-고전 하이브드 설정에서 R-QUPID의 이론적 보장 및 실용적 성능 이점은 무엇인가?

주요 결과

• QUPID 및 R-QUPID는 15개의 ICS 데이터셋 시나리오와 7개의 메트릭에서 다섯 가지 최첨단 베이스라인을 일관되게 능가한다.
• 분할 프레임워크가 큐빗 요구사항을 줄이고 정확도를 희생하지 않으면서 학습 효율성을 향상시킨다.
• 양자 공간에서의 복소수 데이터 인코딩은 실수값 베이스라인에 비해 스마트 그리드 관계의 표현력을 향상시킨다.
• 양자 유도 노이즈가 DP 보장을 증폭시켜 이론적 증명과 함께 적대적 강건성을 강화한다.
• R-QUPID는 하이브리드 양자-고전 모델에서 적대적 위협에 대한 입증 가능한 강건성 보장을 제공한다.