본 논문은 양자 신경망(QNN)의 제한된 하드웨어 및 노이즈 문제를 해결하기 위해, 지식 증류를 통해 고전적 합성곱 신경망(CNN)의 지식을 QNN으로 전이하는 새로운 프레임워크를 제시합니다. MNIST, Fashion MNIST, CIFAR10 데이터셋을 사용한 실험을 통해, 대규모 고전 신경망으로부터 증류된 지식이 QNN의 정확도를 향상시키는 것을 보여줍니다. 다양한 차원 축소 기법(완전 연결 계층, 중앙 자르기, 주성분 분석, 풀링)과 데이터 인코딩 기법(진폭, 각도, 큐비트 인코딩)을 비교 분석하여, 완전 연결 계층과 진폭 인코딩이 각각 최적의 차원 축소 및 인코딩 방법임을 밝힙니다. 결과적으로, 고전 신경망보다 훨씬 적은 매개변수를 사용하면서 경쟁력 있는 성능을 달성하는 4 및 8 큐비트 QNN을 구현하여, 고전 심층 학습과 양자 컴퓨팅을 연결하는 유망한 패러다임을 제시합니다.
