지문 인식용 하이브리드 양자-고전 자기 지도 학습의 폭 일치 비교

지문 인식은 광범위하게 사용되는 생체 인식 기술이지만, 지도 학습(supervised training)을 위해서는 대규모 레이블링된 등록 세트가 필요합니다. 자기 지도 학습(Self-supervised learning, SSL)은 이러한 요구 사항을 제거하며, 학습된 표현(representations)을 풍부하게 하기 위해 하이브리드 양자-고전 모델이 제안되어 왔습니다. 이전의 양자 SSL 연구들은 단일한 대조적 목적 함수(contrastive objective)를 고려했기 때문에, 보고된 이점들이 목적 함수에 의존하는지 아니면 양자 회로 자체에 기인하는지 불분명합니다. 우리는 QuFeX 양자 특징 추출 모듈을 세 가지 SSL 프레임워크, 즉 대조적 SimCLR 및 MoCo v2와 비대조적 BYOL에 삽입하고, SOCOFing 지문 데이터셋과 CIFAR-10 제어 데이터셋을 사용하여 매칭된 표현 폭(8개 특징, 8개의 큐비트와 동일)에서 각 하이브리드를 그 고전적 대응물과 비교했습니다. 이 비교는 인코더 특징에 대한 k-최근접 이웃 식별(k-nearest-neighbor identification)을 사용합니다. 단일 실행 실험에서는 두 대조적 목적 함수 모두에서 하이브리드 점수가 더 높게 나타났으나, BYOL의 경우 다중 시드 분석(multi-seed analysis) 결과 신뢰할 수 있는 차이가 없어, 어떤 이점은 SSL 목적 함수에 의존한다는 것을 시사합니다. 하드웨어 효율적인 회로(QNet)는 동일한 이점을 보여주지 않았습니다. 우리는 회로 구조, 학습 가능한 매개변수 개수, 비선형성 및 8-큐비트 회로의 고전적 시뮬레이 가능성을 고려하여 이러한 이점들이 양자 회로에 기인하는지 검토합니다.