# Iterative Quantum Feature Maps

### 저자

Nasa Matsumoto, Quoc Hoan Tran, Koki Chinzei, Yasuhiro Endo, Hirotaka Oshima

### 💡 개요

본 논문은 양자 머신러닝 모델의 표현력을 높이는 양자 특성 맵(QFM) 활용 시 겪는 딥 QFM 구현의 어려움과 경사도 추정의 계산 병목 현상을 해결하고자 합니다. 이를 위해 얕은 QFM을 클래식하게 계산된 증강 가중치와 반복적으로 연결하여 딥 아키텍처를 구축하는 Iterative Quantum Feature Maps (IQFMs)라는 하이브리드 양자-클래식 프레임워크를 제안합니다. IQFMs는 대조 학습과 레이어별 훈련 메커니즘을 통해 양자 실행 시간을 줄이고 노이즈로 인한 성능 저하를 완화하며, 양자 파라미터 최적화 없이도 기존 방법보다 우수한 성능을 보입니다.

### 🔑 시사점 및 한계

- 실제 양자 하드웨어의 제약과 노이즈 환경에서 딥 QFM을 효과적으로 구축하고 활용할 수 있는 실용적인 방법을 제시합니다.

- 양자 회로의 깊이를 늘리는 대신 클래식 컴퓨팅을 활용하여 양자 실행 시간을 줄이고, 경사도 추정의 부담을 완화하는 새로운 접근 방식을 제공합니다.

- 별도의 양자 파라미터 최적화 없이도 양자 데이터 및 일부 고전 데이터 분류 작업에서 우수한 성능을 보여, 양자 머신러닝의 실질적인 적용 가능성을 높입니다.

- IQFMs 프레임워크의 성능을 더욱 향상시키기 위한 하이퍼파라미터 튜닝 및 다양한 데이터셋에서의 추가적인 검증이 필요합니다.

[PDF 보기](https://arxiv.org/pdf/2506.19461)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).