최근 몇 년 동안 무인 항공기(UAV)는 우수한 기동성에 힘입어 감시에 효과가 있음을 입증해 왔다. 협업 학습을 활용하는 다수의 UAV를 통해 최소한의 자원만 소모하면서도 광범위한 지역에 대한 감시가 가능하다. 그러나 고전적인 신경망(NN)의 경우 파라미터 수가 일반적으로 매우 많아 불안정한 무선 통신에 적합하지 않기 때문에, UAV 협업 학습 시스템의 성능은 여전히 심각하게 제한된다. 이러한 문제를 해결하기 위해 본 논문은 많은 파라미터로 인해 발생하는 문제를 극복하고자 계산 능력이 큰 양자 신경망(QNN)을 사용하며, 더 적은 파라미터를 활용한다. 그러나 채널 상태가 열악한 조건에서는 QNN의 모든 파라미터를 서버로 전송하기가 여전히 어렵다. 따라서 본 논문은 양자 컴퓨팅(QC)과 연합 학습(FL)을 사용하는 UAV를 위해 설계된 새로운 프레임워크인 동적 양자 연합 학습(DQFL)을 제안한다. 제안된 DQFL은 다중 깊이 회로를 갖는 동적 양자 신경망(DQNN)을 사용하며, 불안정한 무선 통신 환경에서 UAV 간 로컬 파라미터 전송 효율을 향상시키기 위해 회로 계층의 동적 제어를 적용한다. 실제 환경의 자율 감시 조건을 가정하여 수행한 광범위한 시뮬레이션 결과, UAV 환경에서 비(非)독립 동일분포(non-iidness), 신호대잡음비(SNR)의 변화, 그리고 열악한 통신 채널 조건에 대해 DQFL의 강건성이 입증되었다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.