PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.26312v1quant-ph

양자 머신러닝을 위한 맞춤형 임베딩

Tailor Made Embeddings for Quantum Machine Learning

오토인코더는 차원의 저주를 해결하고 원칙적인 가중치 초기화와 압축적이고 구조화된 표현 학습을 가능하게 함으로써 고전 머신러닝을 변화시켰다. 본 연구에서는 고전 데이터의 태스크 특화 양자 임베딩을 학습하는 변분 오토인코더 프레임워크를 도입하여, 이 패러다임을 양자 머신러닝으로 확장한다. ImageNet을 포함한 고차원 데이터셋이 학습된 디코더를 통해 복원 가능한 상태를 유지하면서 13-큐비트 양자 표현으로 압축될 수 있음을 보인다. MNIST(3 vs 5)에서 회로 중심 양자 분류기를 사용한 본 접근법은 98.5%의 검증 정확도를 달성하며, 이는 고전 신경망 기준선(99.7%) 대비 1.2퍼센트포인트 이내이고, 단순 진폭 임베딩 접근법보다 30퍼센트포인트 이상 높다. 복원을 위해 전체 양자 상태 토모그래피가 필요한 진폭 임베딩이나, 제한적 가정 하에서 회로 역변환에 일반적으로 의존하는 각 임베딩과 달리, 제안된 프레임워크는 다항식 개수의 측정만으로 원본 데이터를 복원한다. 이 프레임워크는 IBM 양자 하드웨어에서 추가로 검증되었으며, 학습된 임베딩이 실제 장치 노이즈 하에서도 안정적이고 복원 가능함을 확인했다.