본 연구는 연속변수 양자 컴퓨팅(CVQC)과 고전 기계 학습의 교차점을 탐구하며, Displacement encoding과 squeezing encoding을 포함한 CVQC 데이터 인코딩 기법과 이산 양자 컴퓨팅의 Instantaneous Quantum Polynomial (IQP) 인코딩에 초점을 맞춥니다. Logistic Regression, Support Vector Machines, K-Nearest Neighbors, Random Forest, LightGBM과 같은 고전 기계 학습 모델에 대한 이러한 인코딩 방법의 영향을 광범위하게 실증 분석합니다. 연구 결과, CVQC 기반 인코딩 방법은 특히 고차원 복잡한 데이터셋에서 특징 표현력을 크게 향상시켜 분류 정확도와 F1 점수를 향상시키는 것으로 나타났습니다. 하지만 이러한 개선은 인코딩의 복잡성과 기계 학습 모델의 구조에 따라 다양한 계산 비용이 수반됩니다. 또한 양자 표현력과 고전 학습 가능성 사이의 절충점을 조사하여 이러한 양자 인코딩을 실제 응용 프로그램에 통합하는 실현 가능성에 대한 귀중한 통찰력을 제공합니다. 본 연구는 양자-고전 하이브리드 학습에 대한 연구를 확장하고, CVQC가 양자 데이터 표현을 발전시키고 고전 기계 학습 워크플로우에 통합하는 데 중요한 역할을 한다는 점을 강조합니다.
