특정 물리적 양자계 클래스에서는 지수적으로 거대한 상태 공간이 동역학적으로 단절된 다수의 저차원 부분공간으로 "파편화(fragment)"됩니다. 본 논문에서는 입력된 양자 상태가 어느 부분공간에 속하는지 분류(classification)하는 '파편 분류(fragment classification)'라는 학습 문제를 소개합니다. 파편화 현상이 특정 조건을 만족할 때 양자 컴퓨터에서 이 학습 문제를 효율적으로 해결할 수 있음을 증명합니다. 나아가, 알려진 탈양자화(dequantization) 기법들이 파편 분류 문제에 적용되지 않음을 보여줌으로써 이 작업의 고전적 난해성을 뒷받침하는 증거를 제시합니다. 결과적으로 본 연구는 양자 컴퓨터가 효율적으로 수행할 수 있으면서도 알려진 고전적 탈양자화가 존재하지 않는, 물리적으로 동기 부여된 양자 머신러닝 작업의 드문 사례를 제공합니다.
현미경 혈액 세포의 정확한 분류는 미세한 변이와 제한된 데이터가 기존 심층 학습 모델에 어려움을 줄 수 있는 의료 영상 분석에서 여전히 중요한 과제이다. 이에 본 연구에서는 이 분야에서 특징 표현을 강화하고 분류 성능을 개선하기 위한 하이브리드 양자-고전 신경망(Hybrid Quantum-Classical Neural Networks, HQNN)의 잠재력을 조사한다. 사전학습된 ResNet-50 백본, 저차원 잠재 병목(latent bottleneck), 변분 양자 회로(variational quantum circuit)를 결합한 모듈형 아키텍처를 제안하여, 양자 강화 변환 메커니즘과 순수 고전 변환 메커니즘 간의 직접 비교를 가능하게 한다. 양자 구성요소의 기여를 분리하기 위해 세 가지 아키텍처를 평가한다: HQNN 모델, 유사한 용량의 추가 비선형 변환 층을 갖춘 고전 매칭 모델(Classical Matched Model), 중간 변환 단계가 없는 기준선 모델. 공개된 두 혈액 세포 데이터셋, 즉 Blood Cell Images 데이터셋과 PBC 데이터셋에서 수행한 실험은 HQNN이 평가 지표 전반에 걸쳐 일관되게 우수하거나 더 균형 잡힌 성능을 달성함을 보여준다. Blood Cell Images 데이터셋에서 제안 방법은 고전 기준선 대비 macro F1-score를 최대 3.7% 향상시키며, 성능이 거의 포화된 상태에서 더 어려운 8클래스 시나리오에서는 F1-score를 98.54%에서 98.69%로 개선한다. IBM 양자 하드웨어에 대한 추가 평가는 모델이 노이즈 하에서도 견고함을 유지하며, 시뮬레이션 결과에 비해 성능 저하가 완만함을 보여준다. 이러한 결과는 양자 특징 변환이 특히 어려운 분류 시나리오에서 판별적 표현을 강화할 수 있음을 나타내며, 의료 영상 작업에서 HQNN 모델의 실용적 잠재력을 강조한다.
이론화학에서 유래한 nudged elastic band(NEB) 알고리즘을 양자 비용 지형(QCL)에 적용하여 변분 양자 알고리즘(VQA)의 지역 최솟값들을 연결하는 저비용 경로인 ravine 구조를 체계적으로 분석하였으며, 이를 앙상블 예측 프레임워크에 활용함으로써 고전 및 단순 양자 앙상블 방식 대비 예측 성능을 향상시키면서 계산 비용도 절감할 수 있음을 보였다.
Symmetry provides a quantum neural network structure, but on its own it does not keep the network trainable once noise is present. We ask which physical quantity decides whether the gradients of an equivariant circuit survive decoherence, and we answer with a compact training law. Working with U(1)-equivariant brickwork circuits that conserve a charge, we find that two distinct effects govern a trainable gradient. Causality fixes where the gradient can live, confining it to the backward light cone of the readout inside the active charge sector. Coherence then determines how fast it decays through the contraction of the off-diagonal sector modes that the projected readout can actually observe. We prove a light-cone reduction that pins the noiseless gradient to the sector-restricted cone with a lower bound independent of the total qubit number, and we define a readout-visible aligned coherence rate as a Rayleigh quotient of the noise generator along the gradient-carrying mode. A perturbative open-system analysis turns this rate into a leading-order training law. Density-matrix simulations then confirm that the finite-noise degradation follows a single accumulated variable built from noise depth and coherence contraction, with a coefficient of determination of 0.979. The sharpest test comes from a correlated-dephasing channel that has a large worst-case rate but a near-zero aligned rate. The law predicts no gradient loss for this channel, and none is seen. Sector coherence outperforms every standard channel diagnostic we compare it against, and the analysis identifies readout-visible sector coherence as the quantity that links equivariant architecture, open-system dynamics and noisy trainability.
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.