QKSAN: 양자 커널 자기 주의 네트워크

자기 주의 메커니즘(SAM)은 데이터 내부의 중요한 정보를 증류하여 모델의 계산 효율성을 개선하는 데 뛰어납니다. 그럼에도 불구하고 많은 양자 기계 학습(QML) 모델은 SAM처럼 정보의 내재적 연결을 구분하는 능력이 부족하여 대규모 고차원 양자 데이터에서의 효과성을 제한합니다. 이러한 문제를 해결하기 위해 양자 커널 자기 주의 메커니즘(QKSAM)이 도입되어 양자 커널 방법(QKM)의 데이터 표현 장점과 SAM의 효율적인 정보 추출 능력을 결합합니다. 또한 QKSAM을 기반으로 한 양자 커널 자기 주의 네트워크(QKSAN) 프레임워크가 제안되며, 이는 지연 측정 원리(DMP)와 조건부 측정 기술을 통합하여 중간 회로 측정을 통해 양자 자원의 절반을 해제하여 실행 가능성과 적응성을 강화합니다. 동시에 기하급수적으로 큰 특성 공간을 가진 양자 커널 자기 주의 점수(QKSAS)가 생성되어 더 많은 정보를 수용하고 측정 조건을 결정합니다. 결국 네 개의 QKSAN 하위 모델이 PennyLane과 IBM Qiskit 플랫폼에서 배포되어 MNIST와 Fashion MNIST에서 이진 분류를 수행하며, QKSAS 테스트와 노이즈 면역성 및 학습 능력 간의 상관 관계 평가가 가장 성능이 좋은 하위 모델에서 수행됩니다. 중요한 실험 결과는 QKSAN 하위 클래스가 고전적인 기계 학습 모델보다 훨씬 적은 매개변수로 98.05%를 초과하는 인상적인 정확도를 획득하는 잠재적인 학습 이점을 가지고 있음을 보여줍니다. 예측 가능하게, QKSAN은 미래의 양자 컴퓨터가 방대한 양의 데이터에서 기계 학습을 수행할 수 있는 기반을 마련하고, 양자 컴퓨터 비전과 같은 분야에서의 발전을 촉진합니다.