우리는 동적 금융 거래 그래프에서의 사기 선별을 위한 탐색적 벤치마크 및 양자 영감 모델링 프로토타입을 제시한다. 조직적 사기는 개별 거래만으로는 가시화되지 않을 수 있으나, 다중 기간 관계 패턴으로서 나타날 수 있다. 우리는 희소 링 사기(sparse-ring fraud)에 초점을 맞추는데, 이는 완성된 유향 사이클이 여러 날에 걸쳐 분산되는 양식화된 패턴으로, 모델이 시간과 그래프 구조 모두에 걸쳐 증거를 통합할 것을 요구한다. 우리는 완성된 희소 링 주입과 깨진 링 미끼를 포함한 합성 거래 시뮬레이터를 사용하여 이 문제를 연구한다. 일별 유향 거래 그래프는 롤링 윈도우로 집계되고, 원시 그래프 특징, 지속적 호몰로지(persistent homology) 요약, 또는 두 가지를 결합한 하이브리드 특징 벡터로 표현된다. 우리는 게이트 순환 유닛(GRU) 기준선과 양자 영감 문맥적 기계학습(Contextual Machine Learning, CML)을 시퀀스 수준 분류기로 비교한다. 벤치마크가 합성 데이터, 적은 샘플 크기, 시퀀스 수준 레이블을 사용하므로 결과는 탐색적이다. 이 범위 내에서, 위상 전용 요약은 지도 학습 기반 링 완성 과제를 단독으로 해결하기에 지나치게 압축되어 있는데, 주된 이유는 계정 쌍 식별자와 엣지 방향을 제거하기 때문이다. 가장 강력한 결과는 식별자 보존 그래프 특징과 위상적 요약을 결합한 하이브리드 표현에서 나온다. 이러한 발견은 위상이 동적 그래프 특징 위의 문맥적 층으로 가장 유용하며, CML이 시간적·관계적 문맥에 걸쳐 증거가 분산된 사기 패턴에 대한 유망한 후보 모델임을 시사한다.
본 논문은 멜로디로부터 자동화된 음악 화성을 생성하기 위한 유지보수 가능한 하이브리드 생성 아키텍처의 설계 및 평가를 제시한다. 제안된 시스템은 생성적 유연성과 구조적 제어 간의 균형을 맞추기 위해, 중첩된 멜로디 컨텍스트에 대한 양자 영감 기반 후보 탐험과 명시적 규칙 기반 최적화를 결합한다. 해당 아키텍처는 구조적 일관성, 기능적 일치, 화성적 유사성, 견고성을 포괄하는 명시적이고 재현 가능한 지표를 사용하여 평가된다. 결과에 따르면, 제안된 접근법은 조성 구조와 종지 행동을 보존하면서도 복수의 유효한 화성 실현을 허용하는 화성화를 생성한다. 나아가, 최적화 층은 학습 코퍼스 없이도 구조적 일관성, 안정성, 예측 가능성을 향상시킨다. 본 연구는 투명하고 제어 가능한 하이브리드 생성 시스템이 정보 시스템 개발의 맥락 내에서 체계적으로 설계 및 평가될 수 있음을 보여준다.
본 논문은 음악의 화성 결정을 위한 양자 영감 계산 프레임워크를 소개한다. 제안된 접근 방식은 화성화(harmonization)를 구조화된 조합 공간 내의 최적화 문제로 공식화하며, 이 공간에서 다수의 후보 코드 진행이 상호작용하는 음악적 제약 조건 하에 평가된다. 이 모델은 간섭 기반 화성화 단계와 조성 화성(tonal harmony)에 기반한 고전적 최적화 절차를 결합한다. 양자 영감 구성 요소는 다수의 화성 대안을 병렬로 고려할 수 있게 하며, 고전적 단계는 구조적 일관성과 양식적 타당성을 보장하도록 결과 시퀀스를 정제한다. 이 프레임워크는 Autumn Leaves와 It's a Long Way to Tipperary를 포함한 선별된 음악 예시들에 대해 평가된다. 정량적 분석 결과, 최적화 단계가 코드 밀도를 크게 줄이고 화성 안정성을 높이며 기능적 구성을 개선하는 것으로 나타났다. 동시에, 전문가 평가는 양식적 맥락의 중요성을 강조하며, 화성 복잡도가 증가한다고 해서 항상 더 자연스럽게 인식되지는 않음을 보여준다. 결과는 화성 생성이 제약된 탐색 공간에서의 구조화된 의사 결정 과정으로 해석될 수 있음을 시사한다. 제안된 접근 방식은 도메인 특화 지식과 간섭 기반 탐색 메커니즘을 통합하는 계산 모델을 제공한다. 예비적 연구임에도 불구하고, 이 연구는 양자 영감 방법이 음악과 같은 창의적 영역에서 복잡한 의사 결정 과정을 모델링하기 위한 유용한 프레임워크를 제공할 수 있음을 시사한다. 제안된 프레임워크는 복잡한 생물학적·창의적 시스템에서의 인지 및 의사 결정에 관한 양자 영감 모델 연구에 기여한다.
Data Relativistic Uncertainty(DRU) 프레임워크를 양자역학의 파동-입자 이중성(wave-particle duality) 개념으로 이론적으로 확장하여, 이미지를 확률적 파동 함수로 모델링함으로써 조명 불확실성을 명시적으로 처리하는 Physics-to-AI 패러다임을 제시한다. 이 패러다임은 DRU가 조명 편향(illumination bias)을 억제하고 데이터 노이즈에 강건성을 유지하는 메커니즘을 설명하는 설명 가능한 AI(XAI) 이론적 기반을 제공하며, 실험에서 결정론적 모델 대비 향상된 저조도 이미지 개선 성능을 입증한다.
트래픽 행렬(TM)은 네트워크 전역의 출발지-목적지(origin-destination) 수요를 포착하며 트래픽 엔지니어링의 핵심이지만, 온라인 네트워크 제어의 메모리, 갱신, 학습 예산 제약 하에서 예측을 수행해야 할 때 정확한 전체 행렬 예측은 여전히 어렵다. 본 논문은 전용 그래프, 트랜스포머, 또는 확산(diffusion) 모듈에 의존하지 않고도 소형 양자 영감 순환 모델이 효과적인 TM 예측을 제공할 수 있는지 조사한다. 우리는 게이트드(gated) 양자 영감 Kolmogorov-Arnold 네트워크 고속 가중치 프로그래머(QKAN-FWP)를 다단계 Abilene TM 예측에 직접 적용하며, 각 모델은 2시간 이력으로부터 144채널 출발지-목적지(OD) 행렬의 향후 20개 5분 프레임을 예측한다. 공유된 고정 예산 학습 프로토콜 하에서 세 가지 QKAN 배치 변형을 동일 크기 장단기 기억(LSTM) 네트워크, 더 큰 LSTM, 그리고 고전적 게이트드 고속 가중치 프로그래머와 벤치마크한다. 평가된 순환 모델 중 G-QKANFWP는 더 큰 LSTM의 22.4%만 사용하면서 최고의 풀링 루트 평균 제곱 오차(RMSE)를 달성한다. 또한 동일 크기 LSTM과 고전적 G-FWP 기준선 모두를 능가하여, 성능 향상이 게이트드 고속 가중치 프레임워크만으로 인한 것이 아님을 보여준다. 수렴 및 채널별 분석은 추가로 양자 영감 변형이 동일 크기 순환 기준선보다 낮은 검증 손실 학습 곡선 하 면적(AULC)을 얻음을 보여주며, G-QKANFWP와 GQKAN-FWP는 훨씬 더 많은 OD 채널에서 우수한 성능을 달성한다. 이러한 결과는 고전적 느린 프로그래머와 양자 영감 고속 프로그래머의 조합이 자원에 민감한 네트워크 트래픽 행렬 예측을 위한 유망한 정확도-효율 설계임을 밝힌다.