본 논문은 하이브리드 양자-고전 기계 학습(HQML) 모델의 블랙박스 문제 해결을 위한 설명 가능한 AI(XAI) 프레임워크인 QuXAI를 제안합니다. QuXAI는 양자 특징 맵을 사용하는 HQML 모델과 Q-MEDLEY라는 설명기법을 결합하여 특징 중요도를 설명합니다. Q-MEDLEY는 특징 기반 추론을 통해 양자 변환 단계를 보존하고 결과적인 속성을 시각화합니다. 실험 결과, Q-MEDLEY는 HQML 모델에서 중요한 고전적 측면을 구분하고 노이즈를 분리하며, 기존 XAI 기법과 비교하여 우수한 성능을 보입니다. 특히, ablation study를 통해 Q-MEDLEY의 복합 구조의 장점을 보여줍니다. 이는 HQML 모델의 해석성과 신뢰성을 향상시켜 안전하고 책임감 있는 양자 강화 AI 기술의 사용을 촉진하는 데 중요한 의미를 가집니다.
