ConQUESTA: 양자 신경망의 위상 인식 후 학습 구조 가지치기

요약

본 논문은 양자 신경망(QNNs)을 희소 하드웨어에 효율적으로 배포하기 위한 후 학습 가지치기 프레임워크인 ConQUESTA를 제안합니다. ConQUESTA는 작업 중요도와 컴파일러 비용을 결합하여 엔탱글러 후보를 선별하고, 정확도 제약 조건 하에 완전한 가지치기 마스크를 검색합니다. 테스트 결과, 다양한 데이터셋에서 높은 자원 감소율과 향상된 복구 가능성을 입증했습니다.

핵심 포인트

• ConQUESTA는 작업 중요도와 컴파일러 비용을 결합하는 후 학습 가지치기 프레임워크입니다.
• 다양한 큐비트 수 및 데이터셋에서 높은 자원 감소율(최대 82.2%)을 달성했습니다.
• 가지치기를 통해 모델의 실현 가능성을 크게 높일 수 있음을 보여주었습니다.