하이브리드 양자 신경망(Hybrid Quantum Neural Network, QNN) 분류기는 양자 측정 연산자의 기댓값으로 로짓을 생성한다. 표준 Pauli 측정의 경우, 이러한 출력은 본질적으로 [-1,1] 구간으로 제한된다. 이렇게 제한된 로짓을 다중 클래스 분류를 위해 소프트맥스로 정규화된 로짓에 교차 엔트로피 손실과 함께 직접 사용하면, 손실 함수는 로짓 차이에 대한 민감도가 낮은 영역에서 동작한다. 그 결과 매개변수 그래디언트가 억제되어 변분 양자 분류기(variational quantum classifier, VQC)에서 불안정한 최적화로 이어진다. 본 연구에서는 이 효과를 측정 유발 로짓 수축(measurement-induced logit contraction)으로 규명하며, 이는 하이브리드 QNN에서 학습 가능성 저하의 이전까지 특성화되지 않은 원인이다. 이 한계를 해결하기 위해, 손실 이전에 양자 측정 출력을 재스케일하는 학습 가능한 스케일링 매개변수인 양자 측정 온도(Quantum Measurement Temperature, QMT)를 도입한다. 사후 보정(post-hoc calibration)과 달리 QMT는 학습 중에 작동하며 양자 측정 출력에 물리적으로 부과된 경계를 보상한다. 이 재스케일링은 그래디언트 크기와 분산을 증가시켜 손실 민감도를 개선한다. 제안된 메커니즘은 아키텍처에 무관하며 양자 ansatz, 회로 깊이, 또는 측정 연산자를 수정하지 않는다. 형광 현미경 이미지와 6클래스 Fashion MNIST 변형에 대한 실험은, 스케일링되지 않은 측정 판독값 대비 QMT가 로짓 분리를 일관되게 향상시키고, 그래디언트를 강화하며, 무작위 초기화 전반에 걸쳐 학습을 안정화하고, 분류 정확도를 개선함을 보여준다. 이러한 결과는 QMT가 실용적 응용을 위한 하이브리드 QNN의 안정적이고 신뢰할 수 있는 학습을 가능하게 함을 보여준다.
어종의 정확한 식별은 방글라데시의 식량 안보, 경제 발전 및 기후 회복력에 매우 중요하다. 단백질 서열은 종 진위 확인 및 생물 다양성 모니터링에 중요한 기능적 및 진화적 제약을 직접 반영한다. 그러나 단백질 서열을 통한 방글라데시 토착 어종 식별을 위한 벤치마크(benchmark)가 존재하지 않는다. 본 연구에서는 9종의 방글라데시 토착 어류에 대한 2,845개의 고품질 단백질 서열로 구성된 최초의 정제된 데이터셋(dataset)을 도입하여 이러한 격차를 해소했다. 또한 7가지 아키텍처 패러다임에 대한 체계적인 벤치마킹을 통해 이 분야의 최초 단백질 서열 분류(classification) 기준선(baseline)을 확립했다. 더 나아가, 단말 인식 위치 인코딩(Terminal-Aware Positional-Encoding)을 갖는 MotifCNN과 트랜스포머(Transformer)의 현실적으로 배포 가능한 새로운 하이브리드 아키텍처(MotifCNN-Transformer+TA-PE)를 제안한다. 우리의 새로운 아키텍처는 0.80의 macro-F1로 79.80%의 정확도를 달성했다. 가장 높은 83.04%의 정확도는 420M 파라미터를 가지며 추론(inference)을 위해 듀얼 16GB GPU가 필요한 파인튜닝된(fine-tuned) 단백질 언어 모델(language model) ProtBERT에 의해 달성되었다. McNemar의 검정에 따르면, 우리의 MotifCNN-Transformer+TA-PE에 대한 ProtBERT의 3.24% 정확도 향상은 통계적으로 유의하지 않다(p = 0.1120). 우리의 새로운 아키텍처는 클래스별 식별에서 9개 클래스 중 6개에서 ProtBERT를 능가한다. 또한 우리의 MotifCNN-Transformer+TA-PE는 ProtBERT보다 약 5배 더 빠르고, 42배 더 작으며, 16배 더 큰 배치(batch) 크기를 지원하고 GPU 없는 추론(inference)이 가능하여, 방글라데시의 농촌과 같은 자원이 제한된 지역에 배포하기에 더 실용적이다. 이 외에도, 우리의 기초 연구는 계통 발생적 관계가 서열 유사성에 미치는 영향을 보여주며, 단백질 의존형 경제인 남아시아의 수산 자원 관리, 식품 진위 확인 및 생물 다양성 보존을 위한 경로를 확립한다.