양자 머신러닝은 데이터셋의 특징을 효율적으로 학습하여 분류와 같은 특정 작업을 수행하는 유망한 분야입니다. 구간 경계 전파 (Interval Bound Propagation, IBP) 는 고전 머신러닝에서 널리 쓰이는 인증된 학습 방법으로, 모델 전체에 걸쳐 하부와 상부 경계를 추적합니다. 이러한 경계는 훈련 과정에서 모델이 적대적 섭동 (adversarial perturbations) 이 있어도 올바른 라벨을 예측할 수 있음을 보장하기 위해 사용됩니다. IBP 는 고전 도메인에서 성공적이었으나, 양자 도메인에서는 인증된 학습 시도가 제한적입니다. 본 논문에서는 양자 구간 경계 전파 (Quantum Interval Bound Propagation, QIBP) 를 제시하여 양자 머신러닝의 인증된 훈련 루틴을 확립하고, 적대적 섭동에 대한 모델의 정확성을 보장합니다. 우리는 정확도와 기타 설계 고려사항 측면에서 두 구현 간의 트레이드오프를 탐색하기 위해 QIBP 를 구간 산술 (interval arithmetic) 과 선형 산술 (affine arithmetic) 모두로 구현했습니다. 광범위한 평가는 생성된 인증된 훈련 모델이 훈련된 적대적 견고성 경계 내에서 샘플에 대해 올바른 클래스를 예측할 수 있음을 보장하는 강력한 결정 경계를 가진다는 것을 보여줍니다.