산업계에서 양자 신경망 (QNNs)을 구현하려면 어떤 양자 컴퓨팅 패러다임이 어떤 작업에 적합한지 아는 것이 필요합니다. 다이 스태킹 (die stacking)으로 인해 웨이퍼 레벨 결함 스크리닝이 수율의 핵심이 되는 AI 가속기 및 고대역폭 메모리 (HBM)에 착안하여, 본 연구에서는 WM-811K 웨이퍼 맵 결함 분류 (8개 클래스)를 대상으로 지배적인 패러다임인 연속 변수 (CV)와 이산 변수 (DV)를 제어된 조건 하에서 비교합니다. 양자 회로를 유일한 변수로 격리하기 위해, 공유된 컨볼루션 백본 (~4.3M 파라미터)이 유일한 구조적 차이로서 교체 가능한 헤드 (클래식 밀집층, CV-QNN 또는 DV-QNN)에 데이터를 공급합니다. 각 양자 헤드는 세 가지 크기 (3, 4, 8 qumodes/qubits)로 확장되었습니다. CV 헤드는 일관되게 DV 헤드보다 우수한 성능을 보였습니다. 4 qumodes/qubits에서 CV는 79.7 +/- 1.8%의 정확도를 기록한 반면, DV는 61.6 +/- 1.4%를 기록하여 겹치지 않는 18포인트의 격차를 보였습니다. 이러한 이점은 Scratch와 쉽게 혼동되는 공간적으로 국소화된 Edge-Loc 클래스에서 가장 뚜렷하게 나타났습니다. CV는 0.66 +/- 0.06의 재현율 (recall)로 이를 복구해낸 반면, DV는 모든 크기에서 실패 (<=0.05)하였으며, 이는 구조화된 CV 레이어가 결함 유형 간의 미세한 공간적 차이를 더 잘 포착함을 보여줍니다. 학습 곡선은 DV의 한계가 최적화 실패가 아닌 표현 용량 (representational-capacity)의 한계임을 보여줍니다. 여기서 사용된 Fock 컷오프 (d = 2)에서 CV의 이점은 힐베르트 공간 (Hilbert-space)의 차원이 아니라, 구조화된 신경망 유사 레이어와 연속적인 위상 공간 인코딩이라는 두 가지 본질적인 특성을 반영합니다. IBM 하드웨어에서 DV 정확도는 얕은 깊이에서는 유지되나, 가장 깊은 회로에서만 저하됩니다. 두 양자 헤드 모두 클래식 베이스라인 (85.0%)보다는 낮게 유지되지만, 이러한 제어된 설정은 구조화된 헤드가 이미 도움을 주는 지점을 격리하여 보여주며, 노이즈와 규모가 개선됨에 따라 어떤 패러다임이 실질적인 이점을 제공할 수 있는지 보여줍니다.