현대 머신러닝 (Machine Learning) 및 인공지능 (Artificial Intelligence)의 핵심 설계 원칙은 모델의 귀납적 편향 (Inductive Bias)을 입력 데이터의 구조와 일치시키는 것입니다. 행렬 값 입력 (Matrix-valued inputs)의 경우, 관련 행렬 수준의 관계는 스펙트럼 값 (Spectral values)과 스펙트럼 부분 공간 (Spectral subspaces)을 통해 특징지어질 수 있습니다. 그러나 대부분의 양자 머신러닝 (Quantum Machine Learning) 모델에서 사용되는 일반적인 좌표별 회전 게이트 데이터 인코딩 유니터리 (Coordinate-wise rotation-gate data-encoding unitaries)는 이러한 행렬 수준의 표현을 명시적으로 구축하지 않습니다. 본 논문에서는 각 입력 행렬로부터 데이터 인코딩 유니터리 (Data-encoding unitary)의 생성기 (Generator)를 직접 구축하는 양자 스펙트럼 모델 (Quantum Spectral Models, QSMs)을 소개합니다. 우리는 대칭 (Symmetric), 전역 블록 (Global block), 그리고 비중첩 패치 로컬 블록 (Non-overlapping patch-local block) 해밀토니안 (Hamiltonians)을 기반으로 한 세 가지 QSM 변형을 연구합니다. 이들의 출력은 입력 의존적 스펙트럼 간극 (Spectral gaps)이 후보 위상 캐리어 (Phase carriers)를 제공하고, 스펙트럼 부분 공간 (Spectral subspaces)이 계수 (Coefficients)를 결정하는 데 도움을 주는 절단된 푸리에 표현 (Truncated Fourier representations)을 허용합니다. 우리는 Pendigits의 두 가지 행렬 표현과 스펙트럼 통계 (Spectral statistics)에 의해 정의된 두 가지 제어된 합성 작업 (Controlled synthetic tasks)에서 QSM 및 비교 양자 모델들을 평가합니다. 평가된 가장 큰 회로 깊이 (Circuit depth)에서, QSM 변형들은 네 가지 벤치마크 모두에서 테스트된 양자 모델들보다 평균 테스트 정확도 (Mean test accuracy) 면에서 앞섭니다. 패치 로컬 (Patch-local) QSM은 Pendigits에서 앞서며, 전역 블록 해밀토니안 (Global block-Hamiltonian) QSM은 제어된 스펙트럼 작업에서 앞섭니다. 절제 연구 (Ablations)는 작업 의존적인 반전 현상을 보여줍니다: 부분 공간 보존 (Subspace-preserving) 제어는 Pendigits에서 더 나은 성능을 보이는 반면, 스펙트럼 값 전용 (Spectral-value-only) 제어는 합성 작업의 테스트된 절제 연구들 사이에서 앞섭니다. 종합적으로, 이러한 결과는 입력 조건부 스펙트럼 표현 (Input-conditioned spectral representations)이 어떻게 분석 가능한 귀납적 편향 (Inductive bias)을 제공할 수 있는지 보여줌으로써 양자 머신러닝 모델 설계에 새로운 통찰을 제공하며, 머신러닝 및 인공지능에서의 구조 인식 모델 설계 (Structure-aware model design)에 대한 더 넓은 관점을 제시합니다.