대규모 양자 회로는 양자 컴퓨터의 이점을 활용하기 위해 필요하다. 양자 하드웨어에서 상당한 발전이 있었음에도 불구하고, 확장성은 여전히 과제로 남아 있으며 더 많은 큐비트와 게이트가 추가될수록 오류가 누적된다. 이러한 한계를 극복하기 위해 양자 오류 정정 부호가 도입되었다. 양자 오류 정정 부호의 성공은 초전도 양자 프로세서 \\cite{ibm_rep,ibm_bell,google_qec1,google_qec2} 및 중성 원자 기반 시스템 \\cite{neutral}에서 입증되었으나, 양자 프로세서에서 플래그 큐비트를 사용하는 오류 억제에 대한 실험 보고는 없었다. IBM의 양자 하드웨어는 비(非) 위상적 결합 맵(non-topological coupling map)을 특징으로 하며, 이 플랫폼에서의 과거 양자 오류 정정 부호 개발은 주로 플래그 큐비트의 사용을 탐색해 왔다. 여기서는 IBM 양자 컴퓨터에서 플래그 큐비트를 이용한 신드롬 추출(syndrome extraction) 회로의 성공적인 구현을 보고한다. 또한 이를 시험 코드로서 반복 부호(repetition code)를 고려함으로써 그 유효성을 입증한다. 데이터 큐비트가 신드롬 큐비트와 인접해 있지 않더라도, 반복 부호의 거리가 3에서 9로 증가함에 따라 논리 오류율(logical error rates)이 감소한다. 데이터 큐비트와 신드롬 큐비트 사이에 두 개의 플래그 큐비트가 존재하는 경우에도, 거리 증가에 따라 논리 오류율은 유사하게 감소한다. 이는 IBM 양자 컴퓨터에서 플래그 큐비트를 이용한 신드롬 추출 회로가 성공적으로 구현되었음을 확인한다.

최근 음성 감정 인식(Speech emotion recognition, SER) 성능은 여러 딥러닝 아키텍처가 적응하면서 꾸준히 향상되어 왔다. 특히 스펙트로그램 기반 전처리를 사용하는 합성곱 신경망(convolutional neural network, CNN) 모델이 SER에서 가장 널리 사용되는 접근법이다. 그러나 SER를 위한 효과적이고 효율적인 전처리 방법 및 CNN 기반 모델을 설계하는 문제는 여전히 모호하다. 따라서 SER를 위한 보다 구체적인 전처리 방법과 CNN 기반 모델을 탐색할 필요가 있다. 먼저 SER에 적합한 주파수-시간 해상도를 탐색하기 위해, 전처리 설정이 서로 다른 8개의 서로 다른 데이터셋을 준비한다. 또한 감정 특성 해상도의 부족을 보완하기 위해, 모든 서로 다른 크기의 윈도우를 사용하여 학습 가능한 데이터를 확장하는 다중 단기 푸리에 변환(short-term Fourier transform, STFT) 전처리 데이터 증강을 제안한다. 다음으로, CNN의 채널 필터가 잠재된 입력 특성을 탐지하는 데 핵심이므로, 채널 필터가 SER에 미치는 유효성에 초점을 둔다. 이를 위해 6층 CNN 모델을 포함하는 여러 유형의 아키텍처를 설계한다. 또한 채널 특징 표현을 소수의 파라미터만으로 개선하는 것으로 잘 알려진 효율적 채널 주의(efficient channel attention, ECA)를 적용한 결과, SER을 위한 채널 필터를 보다 효율적으로 학습할 수 있음을 확인한다. 두 가지 SER 데이터셋(Interactive Emotional Dyadic Motion Capture, Berlin Emotional Speech Database)에서, 전처리 단계에서 감정 음성의 주파수 해상도를 증가시키는 것이 감정 인식 성능을 향상시킬 수 있었다. 결과적으로 ECA 블록 2개만 사용한 CNN 기반 모델이 기존의 SER 모델 성능을 초과한다. 특히 STFT 데이터 증강을 적용했을 때, 본 연구에서 제안한 모델은 SER에서 가장 높은 성능을 달성한다.

주의력결핍/과잉행동장애(ADHD)는 흔한 정신질환이지만, 정확한 진단 방법을 개발하는 것은 어렵다. 최근에는 컴퓨팅 자원과 머신러닝 기법의 발전에 따라, 휴식상태 기능적 자기공명영상(rs-fMRI) 자료를 이용하여 ADHD를 분류하려는 연구가 수행되고 있다. 대부분은 모델 학습 시 뇌 전체의 영역을 사용한다. 이에 비해, 본 연구는 딥러닝 모델에 활용할 핵심 영역을 선택하여 ADHD를 분류하고자 하였다. 실험은 ADHD-200 글로벌 대회에서 제공된 rs-fMRI 데이터를 사용하였다. 다수 사이트로부터 통합된 결과를 얻기 위해, 뇌의 각 영역은 ‘leave-one-site-out’ 교차검증을 사용하여 평가하였다. 그 결과, 학습에 15개의 중요한 관심영역(ROI)만을 사용했을 때 정확도 70.6%를 얻었으며, 이는 모든 ROI를 사용한 기존 결과 68.6%보다 유의하게 높은 수치였다. 또한 SCCNN-RNN 기반의 새로운 구조를 탐색하기 위해, 동일한 실험을 세 가지 수정 모델로 수행하였다: (1) 주의(attention)를 적용한 분리 채널 CNN - RNN(ASCRNN), (2) 주의(attention)를 적용한 분리 채널 dilate CNN - RNN(ASDRNN), (3) 주의(attention)를 적용한 분리 채널 CNN - slicing RNN(ASSRNN). ASSRNN 모델은 13개의 중요한 ROI만으로 학습했을 때 높은 정확도 70.46%를 제공하였다. 이러한 결과는 ADHD 진단에서 딥러닝을 이용해 뇌의 핵심 부분을 식별하는 접근이 모든 영역을 사용하는 방법보다 더 나은 결과를 산출함을 보여준다.

대규모 양자 회로는 양자 컴퓨터의 이점을 활용하기 위해 필요하다. 양자 하드웨어에서 상당한 발전이 있었음에도 불구하고, 확장성은 여전히 과제로 남아 있으며 더 많은 큐비트와 게이트가 추가될수록 오류가 누적된다. 이러한 한계를 극복하기 위해 양자 오류 정정 부호가 도입되었다. 양자 오류 정정 부호의 성공은 초전도 양자 프로세서 \\cite{ibm_rep,ibm_bell,google_qec1,google_qec2} 및 중성 원자 기반 시스템 \\cite{neutral}에서 입증되었으나, 양자 프로세서에서 플래그 큐비트를 사용하는 오류 억제에 대한 실험 보고는 없었다. IBM의 양자 하드웨어는 비(非) 위상적 결합 맵(non-topological coupling map)을 특징으로 하며, 이 플랫폼에서의 과거 양자 오류 정정 부호 개발은 주로 플래그 큐비트의 사용을 탐색해 왔다. 여기서는 IBM 양자 컴퓨터에서 플래그 큐비트를 이용한 신드롬 추출(syndrome extraction) 회로의 성공적인 구현을 보고한다. 또한 이를 시험 코드로서 반복 부호(repetition code)를 고려함으로써 그 유효성을 입증한다. 데이터 큐비트가 신드롬 큐비트와 인접해 있지 않더라도, 반복 부호의 거리가 3에서 9로 증가함에 따라 논리 오류율(logical error rates)이 감소한다. 데이터 큐비트와 신드롬 큐비트 사이에 두 개의 플래그 큐비트가 존재하는 경우에도, 거리 증가에 따라 논리 오류율은 유사하게 감소한다. 이는 IBM 양자 컴퓨터에서 플래그 큐비트를 이용한 신드롬 추출 회로가 성공적으로 구현되었음을 확인한다.

최근 음성 감정 인식(Speech emotion recognition, SER) 성능은 여러 딥러닝 아키텍처가 적응하면서 꾸준히 향상되어 왔다. 특히 스펙트로그램 기반 전처리를 사용하는 합성곱 신경망(convolutional neural network, CNN) 모델이 SER에서 가장 널리 사용되는 접근법이다. 그러나 SER를 위한 효과적이고 효율적인 전처리 방법 및 CNN 기반 모델을 설계하는 문제는 여전히 모호하다. 따라서 SER를 위한 보다 구체적인 전처리 방법과 CNN 기반 모델을 탐색할 필요가 있다. 먼저 SER에 적합한 주파수-시간 해상도를 탐색하기 위해, 전처리 설정이 서로 다른 8개의 서로 다른 데이터셋을 준비한다. 또한 감정 특성 해상도의 부족을 보완하기 위해, 모든 서로 다른 크기의 윈도우를 사용하여 학습 가능한 데이터를 확장하는 다중 단기 푸리에 변환(short-term Fourier transform, STFT) 전처리 데이터 증강을 제안한다. 다음으로, CNN의 채널 필터가 잠재된 입력 특성을 탐지하는 데 핵심이므로, 채널 필터가 SER에 미치는 유효성에 초점을 둔다. 이를 위해 6층 CNN 모델을 포함하는 여러 유형의 아키텍처를 설계한다. 또한 채널 특징 표현을 소수의 파라미터만으로 개선하는 것으로 잘 알려진 효율적 채널 주의(efficient channel attention, ECA)를 적용한 결과, SER을 위한 채널 필터를 보다 효율적으로 학습할 수 있음을 확인한다. 두 가지 SER 데이터셋(Interactive Emotional Dyadic Motion Capture, Berlin Emotional Speech Database)에서, 전처리 단계에서 감정 음성의 주파수 해상도를 증가시키는 것이 감정 인식 성능을 향상시킬 수 있었다. 결과적으로 ECA 블록 2개만 사용한 CNN 기반 모델이 기존의 SER 모델 성능을 초과한다. 특히 STFT 데이터 증강을 적용했을 때, 본 연구에서 제안한 모델은 SER에서 가장 높은 성능을 달성한다.

주의력결핍/과잉행동장애(ADHD)는 흔한 정신질환이지만, 정확한 진단 방법을 개발하는 것은 어렵다. 최근에는 컴퓨팅 자원과 머신러닝 기법의 발전에 따라, 휴식상태 기능적 자기공명영상(rs-fMRI) 자료를 이용하여 ADHD를 분류하려는 연구가 수행되고 있다. 대부분은 모델 학습 시 뇌 전체의 영역을 사용한다. 이에 비해, 본 연구는 딥러닝 모델에 활용할 핵심 영역을 선택하여 ADHD를 분류하고자 하였다. 실험은 ADHD-200 글로벌 대회에서 제공된 rs-fMRI 데이터를 사용하였다. 다수 사이트로부터 통합된 결과를 얻기 위해, 뇌의 각 영역은 ‘leave-one-site-out’ 교차검증을 사용하여 평가하였다. 그 결과, 학습에 15개의 중요한 관심영역(ROI)만을 사용했을 때 정확도 70.6%를 얻었으며, 이는 모든 ROI를 사용한 기존 결과 68.6%보다 유의하게 높은 수치였다. 또한 SCCNN-RNN 기반의 새로운 구조를 탐색하기 위해, 동일한 실험을 세 가지 수정 모델로 수행하였다: (1) 주의(attention)를 적용한 분리 채널 CNN - RNN(ASCRNN), (2) 주의(attention)를 적용한 분리 채널 dilate CNN - RNN(ASDRNN), (3) 주의(attention)를 적용한 분리 채널 CNN - slicing RNN(ASSRNN). ASSRNN 모델은 13개의 중요한 ROI만으로 학습했을 때 높은 정확도 70.46%를 제공하였다. 이러한 결과는 ADHD 진단에서 딥러닝을 이용해 뇌의 핵심 부분을 식별하는 접근이 모든 영역을 사용하는 방법보다 더 나은 결과를 산출함을 보여준다.

턴스몬(transmon)은 동작 시간이 빠르고 수십 마이크로초의 결맞음 시간(coherence time)을 갖는 것으로 알려져 있으며, 초전도 양자 프로세서를 위한 가장 일반적으로 사용되는 큐비트이다. 그러나 오류 허용(fault-tolerant) 양자 컴퓨팅의 실용적 구현을 위해서는 초전도 양자 프로세서의 결맞음 시간과 게이트 충실도(gate fidelity)를 여전히 향상시킬 필요가 있다. 한편, 초전도 섬(superconducting island)에서 쿠퍼 쌍 패리티(Cooper-pair parity)를 보호할 수 있는 능력을 지닌 새로운 초전도 큐비트가 제안되었다. 이 새로운 큐비트는 턴스몬보다 더 나은 결맞음 성능을 보이지만, 이를 활용하는 초전도 하이브리드 시스템을 구현하기 위한 효율적인 방법은 아직 마련되지 않았다. 본 연구에서는 교차 공명 펄스(cross-resonance pulse)를 적용함으로써, 조절 가능한 턴스몬(tunable transmon)과 패리티-보호 큐비트(parity-protected qubit)로 구성된 초전도 하이브리드 시스템에서 새로운 유형의 CNOT 게이트를 구현하는 방법을 제시한다. 첫째, 하이브리드 시스템에서 성공적인 두 큐비트 게이트를 구성하기 위해 필요한 하드웨어 사양과 펄스 파라미터를 제시한다. 둘째, 본 방법이 평균 충실도(average fidelity)가 0.998을 초과하는 CNOT 게이트를 제공할 수 있음을 보인다. 따라서 본 연구는 하이브리드 시스템이 양자 컴퓨터를 위한 새로운 플랫폼을 제공할 수 있음을 시사한다.

현대 사회에서 주의력결핍 과잉행동장애(Attention-Deficit/Hyperactivity Disorder, ADHD)는 아동뿐 아니라 성인에서도 발견되는 흔한 정신질환 중 하나이다. 이러한 맥락에서 본 연구는 휴지기 기능적 자기공명영상(resting-state functional magnetic resonance, rs-fMRI)으로부터 중요한 뇌 시공간 바이오마커를 동시에 효과적으로 탐지할 수 있는 ADHD 진단 트랜스포머 모델을 제안한다. 이 모델은 시공간의 개인 특성을 학습할 뿐만 아니라, ADHD 진단에 특화된 전체 attention 구조와의 상관관계도 학습한다. 특히 국소 혈중 산소화 수준 의존(local blood oxygenation level dependent, BOLD) 신호를 학습하고, 뇌의 중요한 관심영역(region of interest, ROI)을 구별하는 데 초점을 둔다. 구체적으로 ADHD 진단 트랜스포머에 대해 제안된 세 가지 방법은 다음과 같다. 첫째, 뇌 영역 attention에서 보다 표현력 있는 임베딩 특성을 얻기 위해 CNN 기반 임베딩 블록을 설계한다. 이는 트랜스포머를 위한 기존 CNN 기반 ADHD 진단 모델을 기반으로 재구성한다. 다음으로, 개인 시공간 특징 attention을 위해 attention 방법을 국소 시간 attention과 ROI-순위 기반 마스킹으로 변경한다. fMRI의 시간적 특징에 대해 국소 시간 attention은 단순한 윈도 마스킹만으로 국소 BOLD 신호 특징을 학습할 수 있게 한다. fMRI의 공간적 특징에 대해서는 ROI-순위 기반 마스킹이 attention 점수에 기초하여 ROI들 간 관계에서 높은 상관을 보이는 ROI를 구별함으로써, ADHD 진단을 위한 보다 구체적인 바이오마커를 제공한다. 실험은 다양한 유형의 트랜스포머 모델로 수행하였다. 이 모델들을 평가하기 위해 ADHD-200 경쟁에서 제공된 모든 사이트의 939명 데이터를 수집하였다. 그 결과, ADHD 진단을 위한 시공간 향상형 트랜스포머가 다른 유형의 트랜스포머 변형들에 비해 성능이 우수하였다. (77.78ACC 76.60SPE 79.22SEN 79.30AUC)

다자간(multiparty)을 위한 양자 키 분배(quantum key distribution, QKD)는 필수적인 연구 주제 중 하나이다. 특히 얽힘 상태를 사용하지 않고 다자간 양자 키 분배를 수행하는 것은 중요한 연구 분야이다. 이를 위해 최근에 다수 수신자({multiple receivers})를 위한 다자간 양자 통신 및 양자 키 분배를 제공하는 순차 판별(sequential discrimination)이 도입되었다. 그러나 침입자가 양자 얽힘을 이용하여 수신자의 측정 결과에 도청(eavesdropping)할 가능성이 있으므로, {양자 키 분배}에 대한 보안 분석이 수행되어야 한다. {그러나} 순차 체계(sequential scheme)를 관점으로 한 {양자 키 분배의} 보안 분석은 아직 아무도 제시하지 않았다. 본 연구에서는 침입자를 포함하는 순차 판별 전략의 통합 모델을 제안함으로써, {이 통합 모델에 기반한 순차 판별 전략의 양자 키 분배}에 대한 보안 분석을 제공한다. 이 모델에서 도청의 성공 확률과 비밀 키 비율(secret key rate)을 성능 지표(figure of merit)로 사용할 수 있다. 이어서 송신자와 수신자 사이에서 0이 아닌 비밀 키 비율을 얻으며, 이는 송신자와 수신자가 도청에도 불구하고 비밀 키를 공유할 수 있음을 의미한다. 더 나아가 제안된 모델을 위한 현실적인 양자 광학 실험을 제안한다. 우리는 결함(imperfections)이 존재하더라도 송신자와 수신자 간의 비밀 키가 0이 아닌 값을 가질 수 있음을 관찰한다. 일반적인 믿음과 달리, 우리는 또한 도청의 성공 확률이 백색 잡음(white noise)인 경우보다 유색 잡음(colored noise)인 경우에 더 작다는 점을 추가로 관찰한다.