ltu.edu

이 이메일 도메인이 관측된 논문 1건

arXiv:2610.00554v1cs.LG

차수 축소 뇌 변형 역학을 위한 하이브리드 양자-고전 모델 평가

Evaluating Hybrid Quantum-Classical Models for Reduced-Order Brain Deformation Dynamics

본 연구에서는 시공간적 뇌 변형 필드의 차수 축소(reduced-order) 예측을 위한 하이브리드 양자-고전 머신러닝을 평가합니다. 고차원 변위 필드의 계산적 난해성을 완화하기 위해, 고유 직교 분해(POD)를 적용하여 데이터를 간결한 잠재 공간(latent space)으로 투영합니다. 이 프레임워크 내에서 정적 시간-잠재 회귀(static temporal-to-latent regression)와 자기회귀적 잠재 상태 예측(autoregressive latent state forecasting)이라는 두 가지 서로 다른 학습 목표를 수립합니다. 우리는 간결한 고전 기준선(baseline) 모델을 최소형 및 개선형 하이브리드 양자 아키텍처 모두와 체계적으로 벤치마크 평가합니다. 연구 결과에 따르면 현재 설정에서는 고전 신경망이 가장 강력한 기준선을 제공합니다. 정적 회귀의 경우 고전적 POD-MLP가 평가된 모든 양자 변형 모델보다 우수한 성능을 보였으나, 개선형 변분 양자 회로(VQC)는 최소형 VQC 기준선에 비해 상당한 개선을 보였습니다. 시계열 예측의 경우 고전적 POD-LSTM이 다양한 과거 윈도우와 무작위 초기화 전반에 걸쳐 개선형 양자 LSTM(QLSTM)에 비해 우수한 예측 정확도와 통계적 강건성을 제공합니다. 종합적으로 본 연구는 차수 축소 물리 필드 학습을 단기 양자 머신러닝(QML)을 위한 엄밀한 테스트베드로 확립하며, 하이브리드 개선 기법이 취약한 양자 회로의 표현력을 성공적으로 회복시키지만 재현 충실도(fidelity)와 안정성 면에서는 여전히 고전 아키텍처가 확고한 우위를 유지함을 강조합니다.