PyTorchKR Papers

최신 논문

총 3편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2607.24288v1cs.CV

확장 가능한 양자 향상 의료 이미지 분할을 위한 슈퍼픽셀 기반 QUBO

Superpixel-Based QUBO for Scalable Quantum-Enhanced Medical Image Segmentation

이차 무제약 이진 최적화(QUBO)는 의료 컴퓨팅 문제를 위한 강력한 프레임워크로 부상했다. 이진 결정 변수는 임상적 선택을 자연스럽게 표현하므로, QUBO 공식화는 양자 어닐링(quantum annealing) 하드웨어에 잘 맞다. 그러나 근본적인 확장성(scalability) 과제가 실용적 배포를 제한한다. 문제 크기는 입력 차원에 따라 급격히 증가하여 계산 병목을 만들고, 응용을 단순화된 시나리오로 제한한다. 본 논문은 계층적 문제 축소를 통해 이 과제를 해결하며, 이는 의료 이미지 분할에서 입증된다. 픽셀 수준 QUBO 공식화는 256×256 이미지에 65,000개 이상의 변수를 생성하여, 기존 접근법이 42×42 해상도로 다운샘플링하고 픽셀 정보의 97%를 버리도록 만든다. simple linear iterative clustering(SLIC)을 사용해 픽셀을 지각적으로 의미 있는 영역으로 묶는 슈퍼픽셀 기반 QUBO 프레임워크를 제안하고, min-cut과 smoothness 목적함수를 결합한 영역 인접 그래프(RAG) 위에서 분할을 QUBO로 공식화한다. INbreast 유방촬영 유방암 영상에 대한 검증 결과, 분할 품질이 4.2% 향상되었음(평균 IoU 0.76 대 0.73)을 보였으며, 계산 속도는 33배 향상(0.67초 대 21.97초), 문제 크기는 97.3% 감소(1764에서 48 변수)하였다. 이는 모두 다운샘플링된 버전이 아닌 전체 해상도 영상을 처리하면서 달성되었다. 축소된 문제 크기는 또한 현재 양자 어닐러의 연결성 한계 내에 잘 들어맞아, 역사적으로 양자 하드웨어에서 픽셀 수준 QUBO 분할의 직접 배포를 막아온 임베딩(embedding) 오버헤드를 제거한다.

arXiv:2606.24561v1cs.CV

동적 구간 인코딩과 사전 균형 QUBO 재구성을 통한 양자 CT

Quantum CT via Dynamic Interval Encoding and Prior-Balanced QUBO Reconstruction

이차 비제약 이진 최적화(QUBO) 기반 양자 컴퓨터 단층촬영(CT)은 양자 어닐링 및 하이브리드 양자-고전 솔버를 위해 재구성 문제를 이진 이차 문제로 변환한다. 그러나 그레이스케일 CT의 경우, 이미지 인코딩은 이진 변수 예산의 제약을 받는다. 고정된 전역 비트 플레인 인코딩은 회색조 정밀도가 높아질수록 QUBO 크기와 결합 복잡도를 증가시키는 반면, 저비트 인코딩은 양자화 오류를 유발한다. 본 논문에서는 동적 구간 인코딩과 사전 균형 최적화를 결합한 QUBO 기반 그레이스케일 CT 재구성 프레임워크를 제안한다. 각 정제 라운드에서는 현재 추정값 주변의 국소 회색조 구간 내 활성 픽셀만을 인코딩하며, 경계 도달 유도 갱신 규칙을 통해 탐색 확장과 국소 정제 사이를 적응적으로 전환한다. 최적화 안정성을 향상시키기 위해, 최종 QUBO를 구성하기 전에 투영 도메인 데이터 일관성과 에지 보존 이차 사전(prior)을 균형 있게 결합한다. 희소 뷰 및 제한 각도 팬빔 CT 실험 결과, 제안된 방법은 평가된 해석적·반복적·변분적·표현 기반 기준선들에 비해 구조와 회색조 분포를 더욱 충실하게 복원하는 것으로 나타났다. 표현력 분석 및 절제 연구(ablation study)를 통해 이러한 성능 향상이 주로 동적 국소 인코딩을 통한 효과적인 회색조 표현과 더욱 안정적인 데이터 충실도-사전 결합에서 비롯됨을 확인하였다. D-Wave 하이브리드 이진 이차 모델(BQM) 솔버를 활용한 실험을 통해, 제안된 정식화가 하드웨어 기반 하이브리드 양자-고전 백엔드에서 실행 가능함을 추가로 검증하였다.

arXiv:2606.06543v1quant-ph

QUBO 및 하이브리드 양자 알고리즘 기반 철도 단기 집중 출발 시나리오의 출발 순서와 구간-선로 할당 조율 최적화

Coordinated optimization of departure sequencing and section-track allocation in railway short-term concentrated departure scenarios based on qubo and hybrid quantum algorithms

본 연구는 철도 단기 집중 출발 시나리오에서 출발 순서와 구간-선로 할당의 조율 최적화를 다룬다. 통합 이진 프레임워크 내에서 출발 위치 할당과 구간-선로 선택을 표현하기 위해 이차 무제약 이진 최적화(quadratic unconstrained binary optimization, QUBO) 모델을 수립한다. 디스패칭 방안의 품질은 정적 조합 모델로 완전히 포착할 수 없는 시간 의존적 운영 상호작용에 달려 있으므로, 구간 점유, 중간역 대기, 승강장 용량 압력, 운행 시간 변동, 지연 전파를 평가하기 위해 시뮬레이션 기반 평가 층을 도입한다. 이 계층적 프레임워크 안에서 기존 휴리스틱, 양자 영감(quantum-inspired) 알고리즘, 하이브리드 알고리즘을 동일한 의사결정 구조 위에서 비교한다. 결과에 따르면 QUBO 모델은 디코딩 후 실행 가능한 후보 방안을 생성할 수 있으며, 시뮬레이션 층은 정상 및 교란 조건 모두에서 경쟁 알고리즘의 운영 성능을 명확히 구분한다. 시험 시나리오에서 QPSO-QAOA는 정상 조건에서 가장 우수한 성능을 보였으며, 양자 강화 방법은 동적 조건에서 기존 대응 방법 대비 종합 비용을 평균 4.28%--26.26%, 총 지연을 평균 4.37%--24.25% 감소시켰다. 이러한 결과는 QUBO 기반 모델링과 시뮬레이션 기반 평가의 통합이 철도 단기 집중 출발 스케줄링을 위한 유용한 방법론적 프레임워크를 제공함을 시사하지만, 실제 운영 데이터를 이용한 검증은 여전히 필요하다.