양자-고전 하이브리드 머신러닝(QHML) 모델은 상대적으로 작은 데이터셋에서도 강력한 성능과 높은 일반화 능력을 보이는 것으로 알려져 있습니다. 이러한 특성은 일반적으로 이용 가능한 샘플 수가 적은 항암제 반응 예측에 독특한 장점을 제공합니다. 하지만 이러한 하이브리드 모델은 신경망과 양자 회로의 인터페이스에서 사용되는 데이터 인코딩에 매우 민감하여 최적이 아닌 선택은 안정성 문제로 이어질 수 있습니다. 이 문제를 해결하기 위해, 저자들은 완화된 기울기 버전의 tanh를 기반으로 하는 정규화 함수를 사용하는 새로운 전략을 제안합니다. 이 방법은 극단적인 값 범위에 집중되지 않고 신경망의 출력을 변환합니다. 저자들의 아이디어는 다양한 암세포주에 대한 유전자 발현 및 약물 반응 측정 데이터셋에서 평가되었으며, 고전적인 심층 학습 모델과 여러 QHML 모델의 예측 성능을 비교했습니다. 이 결과는 데이터가 최적으로 정규화될 때 QHML이 고전적인 모델보다 더 나은 성능을 보임을 확인했습니다. 이 연구는 양자 컴퓨터를 사용한 생의학 데이터 분석에 대한 새로운 가능성을 제시합니다.
