본 논문은 양자 머신러닝(QML)의 한 분야인 변분 양자 회로(VQC)의 한계점인 양자 하드웨어 의존성을 해결하기 위해 Quantum-Train(QT) 프레임워크를 제안합니다. QT는 양자 진폭의 지수적 확장을 이용하여 고전 신경망 매개변수를 생성하여 양자 하드웨어 없이 추론을 가능하게 하고 매개변수 압축을 달성합니다. 하지만 효과적인 양자 회로 아키텍처 설계가 어렵다는 점을 해결하기 위해, 본 논문에서는 자동 미분을 이용한 최적화 기법을 제시합니다. 이 방법은 기존 회로 매개변수와 아키텍처 매개변수를 엔드-투-엔드 방식으로 동시에 최적화하며, 분류, 시계열 예측, 강화 학습 과제에서 기존 수동 설계 QNN 아키텍처와 비교하여 동등하거나 더 나은 성능을 보여줍니다. 이를 통해 다양한 응용 분야에서 고전 신경망 매개변수를 생성하는 QNN을 설계하는 확장 가능하고 자동화된 경로를 제공합니다.
