양자 기계 학습(QML)은 복잡성과 정확성 측면에서 기계 학습 모델링을 향상시킬 가능성을 가지고 있습니다. 이 분야의 주요 과제는 입력 데이터 인코딩으로, QML 모델의 성능을 결정하는 데 중요한 역할을 합니다. 본 연구에서는 인코딩에 고유한, 아직 많이 다루어지지 않은 측면, 즉 인코딩에 사용되는 ansatz를 조정하는 대신, 데이터가 ansatz에 전달되는 방식을 조정하는 것을 고려합니다. 특히, 고전적 데이터 조작(예: 특징 정렬, 선택 및 가중치 부여)을 전처리 단계로 활용하는 QML 파이프라인을 구현하고, 이러한 인코딩 측면이 QML 모델 성능에 큰 영향을 미칠 수 있는지, 그리고 성능 향상을 위해 효과적으로 최적화될 수 있는지 평가합니다. 다양한 데이터 세트, ansatz 및 회로 크기에 적용된 실험 결과는 특징이 ansatz에 인코딩되는 방식을 최적화함으로써 QML 모델의 성능을 실질적으로 일관되게 향상시킬 수 있음을 보여주며, 향후 QML 애플리케이션에 이러한 기술을 통합해야 할 타당성을 제시합니다. 마지막으로, 100 큐비트 회로를 사용하여 실제 양자 하드웨어에서 이 접근 방식을 실행하여 성공적으로 QML 모델링 성능을 향상시킴으로써 이 접근 방식의 실용적인 실현 가능성을 입증합니다.
