목적. 기존의 이차 비제약 이진 최적화(QUBO) 기반 희소뷰 컴퓨터 단층촬영(CT) 재구성은 광자 계수 통계와 해부학적 이질성을 고려하지 않는다. 본 연구는 QUBO 프레임워크 내에서 두 가지 한계를 모두 해결한다.
접근법. 본 연구는 패널티 가중 최소제곱법(PWLS)과 가이디드 전변이(GTV)를 결합한 양자 압축 센싱 CT 방법을 제안한다. PWLS는 광자 계수 신뢰도에 따라 투영 잔차에 가중치를 부여하며, GTV는 동시 대수 재구성 기법(SART)으로 재구성된 사전 이미지의 그래디언트를 활용하여 균일한 영역에서 엣지를 보존하고 노이즈를 억제한다. 이진 인코딩 후 두 항은 통합된 QUBO 모델을 형성한다. 실험은 포아송 노이즈가 포함된 10뷰 팬빔 기하학 조건에서 40×40 CT 이미지 4장을 사용하였다. 비교 대상에는 기존 재구성 방법, QUBO 변형 모델, 경사하강법, 시뮬레이티드 어닐링, D-Wave 하이브리드 양자-고전 솔버가 포함되었다.
주요 결과. PWLS-GTV는 모든 케이스에서 최고의 재구성 품질을 달성하였다. 대표적인 흉부 케이스에서 최고 신호 대 잡음비(PSNR) 36.64 dB를 기록하였으며, 이는 최고 기준선인 SART의 22.48 dB와 비교된다. GTV는 기존 전변이보다 일관되게 우수한 성능을 보였다. 시뮬레이티드 어닐링과 D-Wave 하이브리드 솔버는 유사한 재구성 결과를 산출한 반면, 경사하강법은 효과적이지 않았다. 하이브리드 솔버의 반복 실행에서는 안정적인 성능이 나타났다.
의의. 본 프레임워크는 이차 형식을 변경하지 않고 QUBO 기반 CT 재구성에 광자 통계적 가중치와 구조 유도 정규화를 통합함으로써, 양자 보조 희소뷰 CT 재구성을 위한 개념 증명을 제시한다.
소형 양자 컴퓨터가 변화하는 신호를 일반적인 고전적 방법보다 더 잘 예측할 수 있을까? 많은 연구들이 그렇다고 말하지만, 이러한 연구들에서 비교 대상인 고전적 방법은 기본적이고 튜닝되지 않은 상태로 방치되는 반면 양자 모델은 신중하게 최적화된다. 우리는 고전적 경쟁자에게 정확히 동일한 주의를 기울일 때—동일한 크기와 동일한 양의 튜닝 노력을 적용할 때—어떤 일이 일어나는지 탐구한다. 우리는 예측 태스크에서 소형 양자 시스템(최대 11큐비트)의 정밀 시뮬레이션을 활용하여, 양자 레저버가 도움이 된다고 일반적으로 여겨지는 두 가지 이유를 연구한다. 두 경우 모두 비교가 공정해지면 양자 우위는 사라진다. 첫 번째 경우, 추가적인 양자 측정은 동일한 크기의 단순한 고전적 수식이 이미 제공하는 것 이상을 더하지 못한다. 두 번째 경우, 피드백 루프가 양자 모델에 실질적인 도움을 주어 쓸모없던 설정을 작동하는 예측기로 변환시키지만, 잘 튜닝된 고전적 네트워크는 여전히 약간 더 정확하게 예측하며 그 차이는 통계적으로 유의미하다. 우리의 주장은 양자 레저버가 결코 우위를 점할 수 없다는 것이 아니라, 흔히 언급되는 두 가지 장점이 이 규모에서 공정한 고전적 경쟁자 앞에서는 유지되지 않는다는 것이다. 우리는 이러한 대응 비교를 정직한 벤치마킹을 위한 간단하고 재사용 가능한 체크리스트로 제공한다. 모든 결과는 고정된 랜덤 시드로부터 완전히 재현 가능하다.
협력적 다중 에이전트 강화학습(multi-agent reinforcement learning)은 대규모 매개변수 공간과 활용 가능한 지역 구조를 가진 문제, 예컨대 정전기적으로 정의된 양자점 배열(quantum-dot array)의 튜닝에 적합하다. 그러나 매개변수 간 크로스토크(cross-talk)가 강한 경우, 개별 에이전트 관점에서 비정상(non-stationary) 환경이 형성되어 학습이 불안정해질 수 있으며, 이는 이러한 시스템의 수동 튜닝 시 발생하는 문제와 동일한 현상이다. 본 연구는 에이전트 간 간섭을 최소화하고 에이전트를 분리하기 위해, 온라인으로 학습되는 행동 공간의 분해 표현(factored representation)을 활용할 것을 제안한다. 우리의 프레임워크인 QADAPT는 이 분해 방식을 활용하여 지역 측정값과 보상에 기반한 공유 정책(shared policy)을 효율적으로 학습한다. 이 모듈식 전략을 통해 미지의 양자 소자 크기에 대한 제로샷(zero-shot) 일반화를 달성하고, 목표 레짐(target regime)에 도달하기까지의 수렴 스텝 수를 대략 일정하게 유지한다. 본 연구는 대규모 양자 프로세서의 신속한 교정(calibration)을 위한 확장 가능한 경로를 제시한다.
양자 논리는 통상적으로 양자역학이 강제하는 일반적 추론으로부터의 비고전적 이탈로 제시되며, 고전 논리는 확고한 출발점으로 유지된다. 우리는 유한하고 완전히 계산 가능한 환경에서 이와 반대 방향의 설명 순서를 주장한다. 두 생성원 위의 자유 정직교 모듈 격자(free orthomodular lattice)는 96개의 원소를 가지며, 6원소 비분배 인자와 16원소 부울 인자의 직적(direct product)으로 이루어진다. 첫 번째 인자를 맥락 레지스터로, 두 번째를 부울 내용으로 읽으면, 원소가 맥락-비트 벡터 쌍이고 연산이 성분별로 작용하는 계산법을 얻는다. 이 계산법으로 세 가지 결과를 확립한다. 첫째, 여섯 개의 층을 가환성에 따라 분류하여, 맥락 중립 명제들의 중심 커널과 모든 상보적 맥락이 존재하는 쌍대 중심 층을 식별한다. 둘째, 정직교 여원(orthocomplementation)이 층들을 재배치하는 방식이 소인자(small factor)의 여원이 그 원소들을 재배치하는 방식과 정확히 일치함을 보여, 층들 사이의 쌍대성이 우연이 아닌 엄격한 것임을 밝힌다. 셋째, 맥락을 망각하는 연산이 정직교 여원 격자(orthocomplemented lattice)의 전사 준동형사상(surjective homomorphism)이며 그 몫이 고전 부울 대수(Boolean algebra)임을 증명한다. 따라서 고전 논리는 맥락적 계산법의 6대1 정보 손실 상(image)이다.
본 연구는 MNIST(Modified National Institute of Standards and Technology) 데이터셋의 이미지 이진 분류를 위한 새로운 양자 합성곱 신경망(QCNN, Quantum Convolutional Neural Network) 구현에 대한 연구를 제시한다. 기존 QCNN 및 고전적 합성곱 신경망(CNN) 구현에서 영감을 받은 새로운 아키텍처를 사용하여, 대규모 문제에 대해 고전 컴퓨터에서 효율적으로 근사 및 시뮬레이션할 수 있는 QCNN 회로를 구현하기 위해 계층적 분할 방식을 채택하였다. 먼저 원본 이미지를 분할하여 각 프로세스가 이미지의 더 작은 부분을 처리하도록 하고, 이를 독립적인 상태로 인코딩한다. 이후 이러한 분할 영역들이 병합되고 결합되어, 두 분할 영역의 정보를 포함하는 상태를 생성하면서 프로세스 수를 절반으로 줄인다. 하나의 프로세스만 남을 때까지 이 과정을 반복한 후, 측정을 위해 단일 큐비트가 남을 때까지 상태의 차원을 축소한다. 이 방식을 통해 큐비트 수가 증가해도 하드웨어 요구사항이 지수적으로 증가할 필요 없이, 여러 프로세스를 병렬로 활용하여 대규모 QCNN 프로그램을 시뮬레이션할 수 있다. 본 연구에서는 이 방식을 사용하여 128큐비트 모델을 학습하였는데, 이는 새로운 아키텍처 없이는 어떠한 고전 슈퍼컴퓨터에서도 실행이 불가능한 규모이다. 또한 소수의 큐비트로 MNIST 데이터셋에 대한 이진 분류를 수행하도록 학습시키고 분할을 사용하지 않는 모델과 비교함으로써, 새로운 모델 아키텍처가 예측 정확도에 미치는 영향을 탐구하였다. 초기 결과에 따르면, 이 아키텍처를 통해 이미지를 더 작은 부분 이미지로 분할하더라도 모델의 성능이 저하되지 않으며, 분할 과정에서 Barren Plateau 문제를 완화하기 때문으로 보이는 성능 향상이 나타나는 경우도 있었다.
측정-유도 얽힘(MIE)은 국소 측정이 장거리 양자 상관관계를 생성하고 다체 시스템에서 동역학적 상전이를 유도하는 방식을 포착한다. 그러나 MIE를 실험적으로 추정하는 것은 여전히 어려운 과제이다. 직접 평가는 측정 결과에 대한 광범위한 사후 선택을 필요로 하며, 이는 MIE가 다항식 자원만으로 접근 가능한지의 문제를 제기한다. 우리는 이 과제를 상태 준비에 대한 사전 지식을 가정하지 않는 데이터 기반 학습 문제로 재구성함으로써 해결한다. 측정 기록만을 사용하여, MIE의 불확실성 지표—평균 측정 후 이분 얽힘의 상한과 하한 사이의 간격—를 예측하도록 신경망(neural network)을 자기지도 방식으로 학습시킨다. 1차원 전체 연결 회로망을 가진 랜덤 회로에 적용한 결과, 우리의 방법은 회로 깊이가 증가함에 따라 학습 가능성 전이를 드러낸다. 임계값 이하에서는 MIE를 시스템 크기에 대해 다항식으로만 증가하는 자원으로 효과적으로 학습할 수 있는 반면, 임계값 이상에서는 필요한 자원이 지수적으로 증가한다. 이 계산적 상전이는 기저 양자 상태의 효율적인 고전 시뮬레이션의 한계와 일치한다. 또한 현재의 잡음이 있는 양자 소자에서도 이 전이의 특징을 관측한다. 이러한 결과는 MIE 학습을 위한 데이터 기반 접근법의 잠재력을 부각시키고, MIE의 고전적 학습 가능성의 실용적 한계를 규명한다.
OpenQASM 수준에서의 양자 회로 프로그래밍은 하드웨어 인식 최적화와 잡음이 있는 중간 규모 양자(NISQ) 장치에서의 신뢰할 수 있는 실행을 달성하는 데 필수적이지만, 도메인 특화 계획 수립, 반복적인 코드 합성, 저수준 캘리브레이션의 필요성으로 인해 여전히 어렵다는 과제가 남아 있다. 본 논문에서는 엔드-투-엔드 OpenQASM 코드 생성을 위한 최초의 자율적 다중 에이전트 프레임워크인 QAgent를 제시한다. QAgent는 스키마 인식 태스크 계획 수립, 예제 및 도구 기반 코드 합성, 하드웨어 인식 캘리브레이션을 통합된 계획-합성-캘리브레이션 워크플로우 내에 통합한다. 이 시스템은 검색-증강 생성(RAG)을 활용하여 구조화된 커널 지식, 예제, 백엔드 제약 조건에 접근하고, 정확성 보장을 위해 반복적인 실행 피드백과 결합된 조율된 다중 에이전트 추론을 사용한다. 우리는 5개의 대규모 언어 모델(LLM)에 걸쳐 12개의 대표적인 양자 커널과 그 조합에 대해 QAgent를 평가한다. 결과에 따르면 QAgent는 단일 커널 태스크에서 Pass@1 정확도를 47-70% 향상시키고, 대형 모델의 다중 커널 워크플로우에서 88% 이상의 정확도를 달성하여 기존 기준선을 크게 상회한다. 또한, 현실적인 하드웨어 주파수 드리프트 환경에서 QAgent는 자동화된 캘리브레이션을 통해 거의 완전한 실행 충실도를 유지하는 반면, SDK 기반 LLM 방법은 상당한 성능 저하를 겪는다. 이러한 결과는 계획 수립, 합성, 캘리브레이션의 통합이 신뢰할 수 있는 양자 프로그램 생성에 핵심적임을 보여준다. QAgent의 구현 코드는 https://github.com/fuzhenxiao/QAgent 에서 오픈소스로 공개되어 있다.
양자 영감 기반의 전문가 혼합(MoE) 프레임워크를 이미지 분류에 적용한 연구로, 고전적 확산 기반 합성곱을 유니터리 스미어링으로, 블록 단위 풀링을 양자 안정자 코드(stabiliser code) 기반 신드롬 추출로 대체하는 고전-양자 하이브리드 구조를 제안한다. MNIST와 Fashion-MNIST 벤치마크에서 다수의 전문가가 공동으로 특징을 처리하는 방식이 개별 전문가 방식 대비 이미지 분류 실패율을 약 2배 감소시킴을 실증하였다.
프라이버시 보존 클러스터링은 헬스케어, 사이버보안, 엔터프라이즈 응용 분야에서 민감 데이터를 분석하는 데 필수적이며, 데이터 기밀성 유지와 분석 성능 간의 균형이 요구된다. 본 논문은 대칭성 인식 양자 회로와 차등 프라이버시(differential privacy)를 통합하여 프라이버시-유용성 트레이드오프를 개선하는 매개변수 효율적 프레임워크인 등변 양자 클러스터링(EQC, Equivariant Quantum Clustering)을 제안한다. EQC는 p4m 등변 매개변수 공유를 적용하여 정보성 특징 표현을 유지하면서 회로 복잡도를 줄인다. 본 프레임워크는 세 가지 프라이버시 민감 데이터셋인 NSL-KDD, CERT Insider Threat v6.2, 합성 MIMIC-III 임상 데이터셋을 대상으로 평가되었다. NSL-KDD 벤치마크에서 EQC는 프라이버시 예산 ε = 1.0, δ = 10^-5 조건 하에 클러스터링 정확도 79.3%를 달성하는 동시에 멤버십 추론 공격(membership inference attack) 성공률을 38.3%로 낮추어, 대표적인 고전적·양자 기반 비교 모델들을 능가하였다. 에이블레이션 연구(ablation study)는 성능 향상이 주로 매개변수 효율적 회로 설계와 차등 프라이버시의 결합에서 비롯됨을 보여준다. 실험 결과는 EQC가 이종 민감 데이터셋 전반에 걸쳐 안전하고 프라이버시를 보존하는 클러스터링을 위한 실용적인 양자 준비 프레임워크를 제공함을 입증한다.
양자 합성곱 신경망(QCNN)이 실제 NISQ 하드웨어의 높은 노이즈로 인해 수렴에 실패하는 문제를 해결하기 위해, bivariate bicycle(BB) 코드 기반의 거리-4 양자 오류 정정(QEC) 기법을 제안한다. 제안된 기법은 낮은 큐비트 오버헤드로 QCNN의 학습 손실을 줄이고 수렴을 개선함으로써 실용적인 QCNN 구현을 향한 진전을 검증한다.
가우시안 프로세스(GP) 회귀를 위한 능동적 양자 커널 획득(AQKA-GP)을 제안하며, 한정된 샷 예산 내에서 예측 결합 $|\alpha_i\alpha_j|$, leave-one-out 잔차, 주변 가능도 그래디언트라는 세 가지 폐쇄형 쌍 수준 민감도를 Neyman 최소 분산 할당 규칙에 적용해 커널 그람 행렬의 샷을 비균일하게 분배한다. UCI 벤치마크 및 합성 실험에서 균일 할당 대비 테스트 RMSE를 10–21% 개선하고, 실제 ZZ 및 Pauli-Z 양자 커널에서도 저예산 구간에 13–15%의 성능 향상을 확인했다.
양자 서포트 벡터 머신(QSVM)의 금융 데이터 적용 가능성을 탐구하기 위해 자체 수집한 다카 증권거래소(DSEx) 브로드 인덱스 데이터셋에 여러 양자 커널을 벤치마크하였으며, 경험적 양자 우위(EQA) 프레임워크 하에서 대부분의 설정에서 양자 커널이 고전적인 RBF 커널 SVM을 능가하는 성능을 보였다.
초전도 트랜스몬 칩의 캘리브레이션은 노이즈, 드리프트, 그리고 제한된 예산 하에서의 순차적 의사결정 문제이다: 전문가는 실험을 선택하고, 모호한 플롯을 읽고, 피팅 품질을 판단하며, 칩이 드리프트함에 따라 오래된 믿음을 수정해야 한다. 우리는 비전-언어(vision-language) 에이전트가 세 가지 공동 설계 아티팩트를 통해 가중치 업데이트 없이 이 루프를 완결하고 하나의 물리적 장치에 스스로 특화될 수 있는지 연구한다. 첫 번째는 트랜스몬 칩을 위한 물리 기반 시뮬레이션 환경이다: 캘리브레이션 관측값은 scqubits를 통해 회로 양자화 파라미터에서 도출되며, 현실적인 플럭스 라인 왜곡, 실제 경과 시간 기반 및 스캔 중 드리프트, 게이트 누설을 포함하는데—이는 장난감 시뮬레이터라면 생략했을 요소들이다; 각 도구 호출은 모델화된 클록을 진행시켜 드리프트가 호출 횟수가 아닌 실제 경과 시간에 따라 누적된다. 두 번째는 루프를 종단 간으로 실행하는 비전-언어 에이전트로, 도구를 호출하고, 플롯을 읽고, 구조화된 노트북을 유지하며, 숨겨진 실측값 없이 파라미터를 제출하고, 장치에서 측정된 숨겨진 파라미터 및 게이트 충실도에 대해 점수를 받는다. 세 번째는 그래디언트-프리 온라인 적응이다: 리플렉터가 과거 시도에서 실측값 없는 이상 징후 시그니처를 읽어 프롬프트에 추가되는 소규모의 인간 가독 장치 노트를 생성하며, 이는 드리프트로부터 전략 개선을 격리하는 쌍 스냅샷 수락 게이트에 의해 승인된다. 예산 압박 하의 고난도 칩에서 6번의 반복으로 최악의 경우 CZ 충실도가 0.678에서 0.787로 향상되고 분산이 감소하였으며, 4-큐비트 규모에서도 재현되었다; 단일 수락된 노트로 쌍 스냅샷에서 CZ 충실도가 0.678에서 0.913으로 향상되었다. 삽입 결함 연구를 통해 해당 노트가 인과적임이 확인되었으며, 실측값 없이 하드웨어 결함을 진단하고, 핵심 가치는 실패 하한을 높이고 분산을 줄이는 것임을 보인다. 에이전트, 점수 산정, 보상은 측정 백엔드 교체를 통해 실제 하드웨어로 전이된다; 수락 게이트만이 시뮬레이션 어포던스로, 홀드아웃 슬라이스 또는 반복-평균 형태로 축소된다.
멀티플렉스 CRISPR-Cas9 유전자 편집은 유전자 간 상호작용이 존재하는 상황에서 각 타겟 유전자마다 하나의 가이드 RNA를 선택해야 하는 제약 조합 문제로, 이는 이차 비제약 이진 최적화(QUBO)로 정식화하여 양자 근사 최적화 알고리즘(QAOA)으로 풀 수 있다. 유전자당 원-핫(one-hot) 제약은 통상적으로 비용 해밀토니안에 이차 패널티 항을 추가하는 방식으로 적용되지만, 패널티 계수 선택은 휴리스틱에 의존하며 패널티가 하드웨어 노이즈를 증폭시키는 문제가 있다. 대안으로, 구조적으로 제약을 적용하는 XY-믹서를 사용하면 설계 단계에서 실현 가능성을 보장할 수 있다. 본 논문에서는 면역 체크포인트 유전자 PDCD1, LAG3, HAVCR2를 타겟으로 하는 3개 유전자, 12큐비트 멀티플렉스 편집 인스턴스에서 패널티 기반 QAOA와 XY-믹서 QAOA를 체계적으로 비교한 COMET을 제시한다. 시뮬레이션에서 XY-믹서는 QAOA 깊이 p=3에서 최적값의 확률 95% 이상을 달성한 반면, 패널티 계수를 한 자릿수 범위로 변화시킨 세 가지 패널티 변형은 모든 깊이에서 6% 미만에 머물렀다. IBM의 ibm_kingston(Heron r2) 프로세서에서 XY-믹서의 시뮬레이터-하드웨어 에너지 차이는 모든 깊이에서 |0.8| 이내를 유지한 반면, 가장 잘못 조정된 패널티 변형의 차이는 +53.9에 달했다. 또한 게이트 수준 노이즈 하에서 구조적 보장이 부분적으로 깨지는 상황에 대해서도 솔직하게 분석한다. 12큐비트 인스턴스는 고전적으로 자명한 문제이나, 본 연구의 기여는 실제 하드웨어 검증을 포함하여 생물학적으로 동기화된 영역에서 제약 적용 전략에 대한 방법론적 비교를 제공하는 데 있다.
3차원 초전도 라디오 주파수(SRF) 공동은 극도로 수명이 긴 전자기 모드를 제공하며, 트랜스몬 큐비트와 같은 비선형 소자와 결합될 경우 보소닉 양자 정보 처리를 위한 유망한 아키텍처가 된다. 이러한 시스템의 역설계, 즉 특정 전자기 및 결합 목표값을 생성하는 소자 기하학적 구조를 복원하는 것은 일반적으로 일 대 다 문제이다. 큐비트-공동 결합 강도는 트랜스몬의 기하학적 구조와 공동의 전자기장 내 위치 모두에 민감하게 의존한다. 이러한 시스템이 확장되고 설계 매개변수 공간이 커짐에 따라, 기존의 반복적 시뮬레이션 비용은 감당하기 어려운 수준이 된다. 우리는 설계 스택의 상호 보완적인 수준에서 이 역설계 문제를 다루는 두 가지 심층 신경망(DNN) 접근법을 제시한다. 첫 번째는 목표 공동 관측값을 생성하는 SRF 공동 기하학적 구조를 제안한다. 두 번째는 목표 큐비트-공동 매개변수인 결합률, 큐비트 주파수, 비조화성 $(g, ν_q, α)$을 생성하는 트랜스몬 큐비트 설계를 제안한다. 복원된 후보 설계는 엔드투엔드 재시뮬레이션으로 확인된 바와 같이 목표값과 $\sim$5\%(공동) 및 $\sim$2\%(트랜스몬) 이내로 일치한다. 두 접근법 모두 원하는 소자 동작을 후보 설계에 직접 매핑하며, 이는 통상적으로 필요한 반복적 시뮬레이션 연구에 대한 빠른 대안이다.
제한된 결맞음 양자 메모리 환경에서 스태빌라이저 상태(stabilizer state)의 테스팅과 학습 복잡도를 연구하며, $k$ 큐비트 메모리를 사용할 때 테스팅의 샘플 복잡도는 $\Theta(n-k)$, 비적응적 학습의 샘플 복잡도는 $\Theta(n^2/k)$임을 증명한다. 메모리가 $k=cn$ 수준으로 제한되면 기존에 상수 복사본으로 가능했던 테스팅과 학습의 분리가 사라지며, 두 경우 모두 $\Theta(n)$개의 복사본이 필요해 결맞음 양자 메모리가 이 분리를 가능하게 하는 핵심 자원임을 규명한다.
다중 에이전트 행동 인식에서 non-IID 데이터와 융합 모듈의 과도한 파라미터 문제를 해결하기 위해, QFedAgent는 변분 양자 회로(VQC) 기반 융합 모듈을 통합한 하이브리드 양자-고전 개인화 연합 학습(FL) 프레임워크를 제안한다. 고전적 MLP 기반 융합의 33K 파라미터 대비 72개의 양자 회전 파라미터만으로 약 10배의 파라미터 감소를 달성하면서, OPPORTUNITY 데이터셋에서 피험자 기반 non-IID 분할 조건 하에 97.7%의 평균 테스트 정확도를 기록하였다.
Dynamic Time Warping(DTW)는 시계열 분류의 핵심 기법이지만, 유클리드 거리에 의존하기 때문에 복잡한 다변량 데이터에서 잠재적인 채널 간 상관관계를 포착하지 못한다. 우리는 고전적 거리 척도를 양자 Hilbert 공간의 매개변수화된 기하학으로 대체하는 하이브리드 양자 Dynamic Time Warping(qDTW) 아키텍처를 제안한다. 공간 차원 $C=8$까지의 벤치마크에서 구조적 ablation을 통해 양자 시퀀스 정렬을 위한 근본적인 위상(topological) 규칙을 확립한다. 학습 가능한 얽힘(entanglement)을 고전 데이터와 분리하여 기존 측정에 내재된 심각한 위상 스크램bling(phase-scrambling)과 정보 병목을 제거하는 Unified Pre-Embedding Adjoint Ansatz를 도입한다. 이 분리된 아키텍처가 학습되지 않은 양자 커널이 매우 표현력 있는 베이스라인으로 작동할 수 있게 하며, 매개변수화된 학습이 깊게 겹치는 고차원 데이터를 효과적으로 얽힘 해제한다는 것을 보여준다. 또한 엄격한 시공간 표현력 트레이드오프를 확인한다: 시간적 깊이(데이터 재업로딩, data re-uploading)는 차원이 제한된 단변량 회로에 필요하지만, 넓은 다중 큐빗(multi-qubit) 레지스터에 적용하면 혼돈적인 주파수 스펙트럼 폭발과 표현 붕괴(representation collapse)를 유발한다. 이러한 위상적 위험 요소를 탐색함으로써, 우리의 다변량 양자 아키텍처는 고전 베이스라인을 능가하며, 매개변수화된 양자 회로(parameterized quantum circuits)와 동적 프로그래밍(dynamic programming)을 통합하는 새로운 기준을 제시한다.
큰 코드 거리에서 파운데이션 디코더 구축 비용이 급증하는 스케일링 병목을 줄이기 위해, 확장 가능한 코드 계열이 공유하는 대수적 구조로 거리 간 디코딩 과제를 정렬하는 신경 전이 통합(NTU) 프레임워크를 제안한다. NTU-Transformer는 평면 표면 코드에서 [[361,1,19]]의 상관관계 인식 매칭을 능가하고 전이 적응으로 [[625,1,25]]까지 확장되며, [[72,12,6]] 이변수 자전거 코드의 낮은 물리 오류 영역에서 Relay-BP를 앞선다.
초차원 컴puting(HDC)은 인간 인지에서 영감을 받은 견고한 계산 프레임워크로, 고차원 벡터 공간에서 단순하고 효율적인 연산을 특징으로 한다. 양자 향상 초차원 컴puting(QeHDC)은 양자 역학적 특성을 활용해 계산 효율을 높이며 고전 HDC를 확장한다. 본 논문에서는 일회 학습(one-pass training) 방식을 갖춘 새로운 Quantum HDC 프레임워크를 제안하며, 사인파 및 양자 인코딩을 활용해 고전 데이터를 양자 진폭(amplitude) 상태로 효율적으로 투영한다. 본 프레임워크는 양자 회로로 구현된 참조 상태 기반(reference-state-based) 양자 결합(binding) 연산을 새롭게 도입한다. 또한 고유값 분해(eigenvalue decomposition)를 통해 핵심 양자 상태 특징을 효과적으로 추출하는 밀도 행렬(density matrix) 기반 슈퍼클래스 생성 전략을 제안하여, 보다 정확하고 견고한 클래스 표현을 가능하게 한다. 표준 벤치마크 데이터셋에서 수행한 실험적 평가는 기존 고전 방식 및 기존 양자 향상 접근법 대비 본 접근법의 우수한 성능, 노이즈에 대한 견고성, 계산적 실현 가능성을 입증한다. 결과는 양자 향상 분류 작업에서 Quantum HDC의 실용적 이점과 잠재력을 부각하며, 양자 영감(quantum-inspired) 계산 패러다임의 향후 발전을 위한 기반을 마련한다.