3.3 양자 시계열 예측 이야기

QASA는 어떤 문제를 잘 푸는가

양자 시계열 예측 이야기

---

시작하기 전에 — 이런 장면을 상상해보자

기상 예보관이 두 명 있다.

예보관 A: 맑은 날이 계속되는 봄날을 예측한다. 어제 맑았고 오늘도 맑다. 내일도 맑을 것이다. 아주 쉽다.

예보관 B: 태풍이 몰려오는 복잡한 날씨를 예측한다. 기압이 급변하고, 바람이 여러 방향에서 충돌하고, 예상치 못한 변수가 계속 생긴다. 엄청나게 어렵다.

일반 예보 도구로는 A는 쉽게 맞히지만 B는 자꾸 틀린다.

QASA는 B를 잘 맞히는 도구다.

복잡하고 어지러운 데이터를 예측하는 데 특화된게 양자 AI다.

---

0부 — 시계열이 뭔가

시계열(Time Series) 이란 시간 순서대로 기록된 데이터다.

쉬운 예를 들면 이렇다.

주식 가격: 1000원 → 1050원 → 980원 → 1100원 → ?
기온 변화: 15도 → 16도 → 14도 → 17도 → ?
심장 박동: 70 → 72 → 68 → 75 → ?

 

 

과거 데이터를 보고 다음에 어떤 값이 올지 예측하는 것. 이것이 시계열 예측이다.

QASA가 이것을 전문으로 한다.

---

세상에는 두 종류의 데이터가 있다

여기서 핵심 이야기가 시작된다.

시계열 데이터에는 두 가지 종류가 있다.

---

단순하고 깨끗한 데이터

그네 타는 아이 비유로 설명하자.

그네를 탄다. 앞으로 갔다가 뒤로 왔다가. 규칙적이다. 예측하기 쉽다.

"지금 앞으로 가고 있으면 곧 뒤로 올 것이다."

이런 데이터가 단순한 시계열이다.

단순한 데이터 예:
0 → 1 → 0 → -1 → 0 → 1 → 0 → ?
(그냥 -1이 올 것이다. 누구나 안다)

 

 

패턴이 명확하다. 예측이 쉽다. 굳이 복잡한 도구가 필요 없다.

---

복잡하고 어지러운 데이터

나비 효과 비유로 설명하자.

브라질에서 나비 한 마리가 날개를 펄럭였다. 그것이 공기 흐름을 바꾸고, 그것이 구름 형성에 영향을 주고, 결국 한 달 뒤 미국에 허리케인이 생겼다.

이런 시스템을 카오스(Chaos) 라고 한다. 작은 변화가 나중에 엄청난 차이를 만든다.

복잡한 데이터 예:
0.5 → 1.0 → 0.8 → 1.4 → 0.6 → 1.7 → 0.3 → ?
(규칙이 없어 보인다. 예측이 매우 어렵다)

 

 

패턴이 숨어있다. 표면적으로는 무질서해 보이지만 깊은 곳에 규칙이 있다. 그 규칙을 찾아야 예측할 수 있다.

---

 QASA가 잘하는 것과 못하는 것

QASA가 솔직하게 말한다.

"나는 만능이 아니다. 복잡한 데이터에서만 강하다."

표로 정리하면 이렇다.

데이터 종류          → QASA vs 일반 AI

복잡한 데이터:
카오스 신호         → QASA 승리
잡음 많은 트렌드    → QASA 승리
계절성 + 트렌드     → QASA 승리
실제 산업 데이터    → QASA 승리 (오차 6% 감소)

단순한 데이터:
깨끗한 사인파       → 일반 AI 승리
톱니파              → 일반 AI 승리
계단파              → 일반 AI 승리

 

 

왜 이런 결과가 나오는가.

단순한 데이터에 양자를 쓰면 어떻게 되는가. 오히려 복잡성이 더해져서 나빠진다. 조용한 강물에 돌을 던지면 물이 더 어지러워지는 것과 같다.

복잡한 데이터에 양자를 쓰면 어떻게 되는가. 복잡한 패턴을 꿰뚫어서 핵심을 찾아낸다. 복잡한 실타래를 공중에 들어올려 어디서부터 풀어야 하는지 보이는 것과 같다.

---

3부 — 왜 복잡한 데이터를 더 잘 푸는가

이것이 핵심 메커니즘이다.

옷장 정리 비유로 설명하자.

엄청나게 지저분한 옷장이 있다.

옷이 500벌이 있다. 여름 옷, 겨울 옷, 파티 옷, 운동복이 뒤섞여있다. 색깔도 제각각이다.

일반 AI 방식: 옷을 더 큰 방으로 옮긴다. 방이 커져서 조금 여유는 생겼지만 여전히 뒤섞여있다. 어떤 옷이 어디 있는지 모른다.

이것을 어려운 말로 고차원에 특징이 흩어진다고 한다.

QASA 방식: 옷장을 보는 순간 패턴을 파악한다. "여름 옷은 이쪽, 겨울 옷은 저쪽, 파티 옷은 맨 위, 운동복은 맨 아래." 500벌을 4개의 카테고리로 압축한다. 이제 원하는 옷을 바로 찾는다.

이것을 비선형 차원 축소라고 한다. 복잡한 것을 핵심만 남기고 압축하는 것.

실제 측정 결과가 이렇다.

일반 AI: 복잡한 데이터가 여러 차원에 흩어짐 → 찾기 어려움
QASA: 약 4차원으로 압축 (랭크 49% 감소) → 핵심이 명확히 보임

 

 

500벌이 4개 카테고리로 정리된 것처럼, 복잡한 데이터가 4개의 핵심 패턴으로 정리된다.

---

4부 — 카오스가 뭔지 좀 더 이해해보자

카오스라는 단어가 어렵게 느껴질 수 있다.

롤러코스터 비유로 설명하자.

롤러코스터 두 종류가 있다.

롤러코스터 A (단순): 위로 올라갔다가 내려온다. 다시 올라갔다가 내려온다. 규칙적이다. 다음에 뭐가 올지 알 수 있다.

롤러코스터 B (카오스): 위로 올라갔다가 갑자기 옆으로 꺾인다. 잠깐 평평하다가 급강하한다. 다시 올라가다가 예상치 못한 방향으로 돌아간다. 패턴이 없어 보인다.

그런데 롤러코스터 B도 사실 물리 법칙에 따라 움직인다. 완전히 무작위가 아니다. 깊은 곳에 숨은 패턴이 있다.

주식 시장이 이렇다. 매일 오르고 내리고 예측 불가해 보이지만,
경제 원리라는 깊은 패턴이 있다.

기후 변화도 이렇다. 날씨가 매일 다르지만,
계절 패턴이라는 깊은 구조가 있다.

심장 박동도 이렇다. 조금씩 불규칙하지만,
건강 상태라는 깊은 신호가 있다.

 

 

QASA가 이 숨겨진 패턴을 찾아낸다. 표면의 복잡함을 뚫고 깊은 곳의 규칙을 발견한다.

---

5부 — 실제 데이터로 검증했다

QASA가 실제로 얼마나 잘 작동하는지 실험을 했다.

9개의 시험 문제를 풀었다.

시험 문제들이 이렇다.

문제 1: ARMA 신호 (잡음 섞인 패턴) → QASA 좋음
문제 2: 카오스 로지스틱 맵 → QASA 좋음
문제 3: 감쇠 진동자 (깨끗한 파동) → 일반 AI가 더 좋음
문제 4: 계절성 트렌드 → QASA 크게 좋음
문제 5: 불연속 계단파 → 일반 AI가 더 좋음
... (9개 문제)

 

 

결과는 이렇다.

9개 문제 중 7개에서 QASA가 대등하거나 더 좋음
특히 계절성 트렌드에서 압도적으로 우수함

 

 

그리고 실제 산업 현장 데이터도 테스트했다.

**변압기 오일 온도 예측 (ETTh1)**이라는 데이터다.

발전소에서 변압기 기름의 온도를 예측하는 것이다. 실제 공장에서 쓰는 데이터다.

결과: 오차가 6% 줄어들었다.

6%가 작아 보일 수 있다. 그런데 공장에서 온도 예측이 6% 더 정확하면 사고 예방, 에너지 절약, 비용 절감에 엄청난 차이가 생긴다.

---

6부 — 다른 양자 AI들과 비교하면

세 명의 학생이 같은 시험을 봤다.

학생 A (QLSTM): 공부 시간 128시간 → 점수 80점
학생 B (QnnFormer): 공부 시간 90시간 → 점수 82점
학생 C (QASA): 공부 시간 36시간 → 점수 84점

 

 

학생 C가 가장 적게 공부하고도 가장 높은 점수를 받았다.

어떻게 가능한가.

학생 A와 B는 모든 범위를 골고루 공부했다. 에너지가 분산됐다.

학생 C는 가장 중요한 부분만 집중해서 공부했다. 나머지는 가볍게 넘겼다. 효율이 좋았다.

이것이 건축적 파시모니(지난 시간에 배운 것)가 실제 결과로 나타난 것이다.

---

7부 — 언제 쓰고 언제 쓰지 말아야 하는가

QASA가 솔직하게 알려주는 사용 설명서가 있다.

QASA를 쓰면 좋은 상황:

1. 주식, 환율처럼 복잡하게 변하는 금융 데이터
2. 기후 변화처럼 여러 요인이 얽힌 환경 데이터
3. 공장 기계처럼 여러 센서가 복잡하게 연결된 산업 데이터
4. 심전도처럼 미묘한 패턴을 찾아야 하는 의료 데이터

 

 

QASA를 쓰지 않아도 되는 상황:

1. 단순하게 오르내리는 규칙적인 신호
2. 갑자기 확 바뀌는 계단 형태의 신호
3. 완벽하게 깨끗하고 잡음 없는 신호

 

 

이렇게 솔직하게 말하는 AI가 오히려 믿음직스럽다. 자신이 잘하는 것과 못하는 것을 안다.

---

전체를 한 번에 보자

요리사 비유로 전체를 정리하면 이렇다.

데이터 = 요리 재료

단순한 재료 (신선한 회):
→ 그냥 간장에 찍어 먹으면 된다
→ 복잡한 요리법이 오히려 재료 맛을 망친다
→ 일반 AI로 충분

복잡한 재료 (여러 야채와 고기가 섞인 비빔밥 재료):
→ 그냥 먹으면 맛이 없다
→ 적절한 조합과 양념으로 정리해야 한다
→ QASA의 양자 계층이 비선형 차원 축소로 재료를 정리
→ 숨어있던 맛(패턴)이 드러난다

결과:
단순한 재료 → 일반 AI 승리
복잡한 재료 → QASA 승리

 

 

---

최종 정리

QASA 시계열 예측을 네 문장으로 압축하면 이렇다.

첫째, QASA는 만능이 아니다. 복잡하고 어지러운 데이터에서만 강하다.

둘째, 복잡한 카오스 데이터를 핵심 패턴으로 압축하는 것이 QASA의 특기다. 500벌 옷을 4개 카테고리로 정리하는 것처럼.

셋째, 파라미터 36개로 128개짜리 모델을 9개 중 7개 시험에서 이겼다. 적게 쓰고 영리하게 쓰면 이긴다.

넷째, 실제 공장 데이터에서 오차를 6% 줄였다. 이론이 아닌 현실에서도 작동한다.