엣지 양자 AI를 위한 매개변수 효율적 연속 변수 광자 양자 신경망: 구강암 탐지 시연
Parameter-Efficient Continuous-Variable Photonic Quantum Neural Networks for Edge Quantum AI: Demonstration in Oral Cancer Detection
구강암의 조기 발견은 임상 결과를 크게 개선하지만, 자원이 제한된 환경에서는 전문 진단 도구가 여전히 부족하다. 스마트폰 기반 선별은 확장 가능한 대안이지만, 엣지 하드웨어 제약 내에서 실행되는 경량 모델이 필요하다. 고전-양자 하이브리드 아키텍처는 매개변수 효율적 학습의 유망한 후보로 떠오르고 있지만, 대부분 극저온 작동이 필요한 큐빗(qubit) 하드웨어에 의존하여 엣지 배포에 부적합하다. 실온에서 작동하는 연속 변수(CV) 광자 양자 컴퓨팅은 보완적 경로를 제공한다. 우리는 스마트폰 이미지로부터 구강암을 탐지하기 위한 고전-CV 양자 하이브리드 분류기를 조사한다. 파이프라인은 MobileNetV1 특징 추출기, 16차원으로의 주성분 분석(PCA), 광자 백엔드상의 변위(displacement), 간섭계(interferometric), Kerr 게이트로 구성된 매개변수화 CV-QNN을 결합한다. 우리는 Killoran et al. (2019a)의 표준 CV-QNN 층 대비 학습 가능 매개변수를 40–45% 줄이는 단순화된 $Φ\circ D \circ U_1$ CV-QNN 아키텍처를 제안하고, 바렌 플래토(barren plateau)를 완화하는 차원 축소 및 인코딩 제한 전략을 밝혀 손실-그래디언트 분산을 대략 58 order of magnitude만큼 높인다. 단순화된 층이 전체 층을 능가하는지는 너비에 따라 달라진다: 전체 층은 두 qumode에서 작지만 유의미한 우위를 보이는 반면, 단순화된 층은 매개변수를 44% 더 적게 사용하여 네 qumode에서 유의하게 더 나은 성능을 보인다. 가장 강력한 모델인 매개변수 18개만을 갖춘 4-qumode 단순화 CV-QNN은 모든 모델 중 최고 검증 AUC를 달성하고, 매개변수를 67% 더 적게 사용하여 매개변수 55개짜리 고전 기준선을 능가하며, 모든 시드에 걸쳐 100% 보정된(calibrated) 테스트 정확도에 도달한다. 이 결과는 매개변수 효율적이고 실온에서 동작하는 의료 이미지 분류를 위한 CV 광자 양자 기계 학습을 뒷받침하며, 엣지 양자 AI로의 발전을 촉진한다.