본 논문은 고차원 퀴딧 상태의 향상된 표현 능력을 활용하여 다중 클래스 분류를 위한 단일 퀴딧 양자 신경망을 제안합니다. 본 설계는 클래스 정보를 효율적으로 인코딩 및 처리하기 위해, 비대칭 행렬의 케일리 변환을 사용하여 구성된 d차원 유니터리 연산자 (d는 클래스 수에 해당)를 사용합니다. 이 아키텍처는 클래스 레이블과 양자 측정 결과 간의 직접적인 매핑을 가능하게 하여 회로 깊이와 계산 오버헤드를 줄입니다. 네트워크 매개변수를 최적화하기 위해, 잘린 다변수 테일러 급수 전개에서 파생된 확장된 활성화 함수와 가중치 결정을 위한 서포트 벡터 머신 최적화를 결합한 하이브리드 학습 방법을 도입합니다. MNIST 및 EMNIST 데이터셋에서 모델을 평가하여, 소형 단일 퀴딧 양자 회로를 유지하면서 경쟁력 있는 정확도를 보여줍니다. 본 연구 결과는 특히 다중 클래스 분류에 있어, 고차원 양자 시스템을 사용한 효율적인 학습 작업의 실현 가능성을 보여줌으로써, 고전적 심층 학습 모델에 대한 확장 가능한 대안으로서 퀴딧 기반 QNN의 잠재력을 강조합니다.
