방어로서의 결맞음 해제와 노이즈 정규화의 크기: 적대적 공격에 강건한 네트워크 침입 탐지를 위한 확률적 양자 신경망의 엄밀한 N-큐비트 이론

확률적 양자 신경망 (Stochastic quantum neural networks, SQNNs)은 뉴런의 활성화를 큐비트 (qubits)로, 시냅스 토폴로지 (synaptic topology)를 얽힘 (entanglement)으로, 그리고 신경 노이즈 (neural noise)를 Lindblad 마스터 방정식 (Lindblad master equation)을 통해 인코딩합니다. 최근의 한 컨퍼런스 연구에서는 협업적 침입 탐지에 링 얽힘 (ring-entangled) SQNN을 적용하여 세 가지 결론에 도달했습니다: 링 얽힘은 비국소적 이상 탐지 (non-local anomaly detection)에 필수적이며, 적대적 회복력 (adversarial-resilience) 경계가 존재하지만 이는 보수적이고, 탈분극 채널 (depolarising channel)은 드롭아웃 (dropout) 스타일의 정규화 도구로 작동하는 데 실패하며 대신 출력 노이즈 (output noise)로 동작한다는 것입니다. 해당 연구는 게이트별 확률적 비활성화("진정한 양자 드롭아웃")가 탈분극 채널이 할 수 없는 정규화를 수행할 수 있는지, 그리고 느슨한 강건성 경계가 예측 이론으로 대체될 수 있는지에 대한 문제를 남겨두었습니다. 본 논문은 이 두 가지 문제를 해결하고, 프레임워크를 실제 데이터와 중성 원자 하드웨어 (neutral-atom hardware)로 확장합니다. 우리는 확률적 마스터 방정식 (stochastic master equation)과 그 벡터화된 리우빌리안 (vectorised Liouvillian)을 통해 $N$-큐비트 정식화를 제공하며, 다음과 같은 결맞음 해제 수축 정리 (decoherence-contraction theorem)를 증명합니다: 강도 $γ$를 가진 $L$개의 얽힘 레이어에 걸친 탈분극 채널은 모든 가중치 $w$인 Pauli 판독 (Pauli read-out)을 $(1-4γ/3)^{wL}$ 인자로 수축시킵니다 (여기서 사용된 가중치 $1$ 판독의 경우 $(1-4γ/3)^{L}$). Du 등의 일반적인 '방어로서의 노이즈 (noise-as-defence)' 결과에 기반하여, 우리는 이를 침입 탐지를 위해 정량화하고 운용 가능하게 만듭니다. 화이트박스 FGSM 및 PGD 공격 하의 실제 NSL-KDD 데이터셋에서, 채널과 함께 훈련된 탈분극 SQNN은 강력한 $\ell_\infty$/$\ell_2$ 공격 하의 7개 시드에 대해 노이즈가 없는 회로보다 현저히 더 강건하며 ($\ell_\infty$ PGD-$20$, $p=0.04$, 큰 효과), 결정적으로 노이즈가 없는 모델과 경사 하강법으로 훈련된 고전적 탐지기(95%에서 47%로 하락)가 겪는 치명적인 강건성 붕괴를 전혀 겪지 않으며 강건성 분산을 약 2배 정도 줄입니다. 우리는 이러한 강건성이 공격 시점의 경사 수축 (gradient contraction)이 아니라 노이즈로 재형성된 훈련 경계 (noise-reshaped training boundary)로부터 발생함을 보여줍니다.

일반화 (generalisation)를 위해, 우리는 게이트당 드롭아웃 (per-gate dropout)이 가중치 공간 (weight space)에서 곡률 가중 $L_2$ 페널티 (curvature-weighted $L_2$ penalty) $\tfrac{p(1-p)}{2}\sumθ^2\partial^2_θL$를 구현하며, 이는 $p=1/2$에서 최대화되는 반면, 탈분극 노이즈 (depolarising noise)는 출력 공간 (output-space) 페널티를 구현함을 보여주는 적응형 페널티 공식을 도출합니다. 30개의 시드 (seed)를 사용한 연구는 이 공식의 정량적 예측을 확인해 줍니다: 두 메커니즘 모두 훈련-테스트 간극 (train-test gap)을 작지만 통계적으로 유의미한 수준($\approx!0.01$; $p<10^{-4}$ 및 $p=0.004$)으로 줄이며, 서로 통계적으로 구별할 수 없고, 그 효과는 과적합 (overfitting)이 가장 큰 곳에 집중됩니다; 공식이 예측하는 바와 같이 드롭아웃 비율 (dropout rate)을 $1/2$ 이상으로 높이는 것은 도움이 되지 않습니다. 이전 연구의 단일 시드 이분법 (single-seed dichotomy)은 재현 시 유지되지 않습니다. 우리는 중성 원자 (neutral-atom) 구현과 $N$에 따른 타당성 (feasibility-by-$N$) 분석으로 결론을 맺습니다.