본 논문은 양자 기계 학습(QML) 모델의 성능 향상을 위한 혁신적인 프레임워크를 제안합니다. 기존 QML 모델의 주요 과제인 효과적인 데이터 인코딩 전략 및 파라미터화된 양자 회로 설계, 그리고 최적화되지 않은 측정 과정의 문제점을 해결하기 위해, 양자 시스템의 관측 가능량(Hermitian 행렬)을 학습 가능하도록 만드는 방법을 제시합니다. 이를 통해 신경망이 파라미터화된 관측 가능량과 표준 양자 회로 파라미터를 동시에 최적화하는 엔드-투-엔드 미분 가능 학습 프레임워크를 구축합니다. 특히, 신경망이 입력 데이터 스트림에 따라 실시간으로 관측 가능량을 동적으로 프로그래밍하여 기존 방법보다 향상된 분류 정확도 등의 성능 지표를 달성함을 수치 시뮬레이션을 통해 보여줍니다.
