본 논문은 광자 양자 신경망(QNN)과 행렬 곱 상태(MPS) 매핑을 결합한 분산 양자-고전 프레임워크를 제시하여 고전 신경망의 매개변수 효율적인 훈련을 달성합니다. M-모드 간섭계의 범용 선형 광학적 분해와 광자 계수 측정 통계를 활용하여, 이 아키텍처는 하이브리드 양자-고전 워크플로를 통해 신경망 매개변수를 생성합니다. $M(M+1)/2$개의 훈련 가능한 매개변수를 가진 광자 QNN은 고차원 확률 분포를 생성하고, 이는 결합 차원 $\chi$를 갖는 MPS 모델을 통해 고전 신경망 가중치에 매핑됩니다. MNIST 분류에 대한 실험적 검증 결과, 광자 QT는 3,292개의 매개변수 ($\chi = 10$)를 사용하여 $95.50 \pm 0.84$의 정확도를 달성했으며, 이는 6,690개의 매개변수를 사용한 고전 기준선의 $96.89 \pm 0.31$와 비교됩니다. 또한, $\chi = 4$에서 10배의 압축률을 달성했으며, 상대적 정확도 손실은 3% 미만입니다. 이 프레임워크는 고전적 압축 기술(가중치 공유/프루닝)보다 6~12%의 절대 정확도 향상을 보이며, 압축된 매개변수의 고전적 배포를 통해 추론 중 양자 하드웨어 요구 사항을 제거합니다. 현실적인 광자 노이즈를 포함한 시뮬레이션은 근시일 내 하드웨어 결함에 대한 프레임워크의 견고성을 보여줍니다. 에이블레이션 연구는 광자 QNN을 임의 입력으로 대체하면 정확도가 우연 수준($10.0 \pm 0.5$)으로 떨어지는 것을 확인하여 양자의 필요성을 확인합니다. 광자 양자 컴퓨팅의 상온 작동, 공간 모드 다중화를 통한 고유한 확장성, HPC 통합 아키텍처는 광자 힐베르트 공간의 표현력과 고전 신경망의 배포 가능성을 결합한 분산 양자 기계 학습을 위한 실용적인 경로를 구축합니다.
