[Paper] 양자 강화 위성 이미지 분류

Source: arXiv - 2602.18350v1

Overview

우리는 양자 특징 추출 방법을 적용하여 우주 분야의 다중 클래스 이미지 분류 성능을 향상시키는 사례를 제시한다. 다체 스핀 해밀토니안의 동역학을 활용함으로써, 이 방법은 표현력이 풍부한 양자 특징을 생성하고, 이를 고전 처리와 결합했을 때 양자‑향상된 분류 정확도를 달성한다. 강력하고 잘 확립된 ResNet50 베이스라인을 사용했을 때, 최대 고전 정확도는 83%였으며 전이 학습 접근법을 적용하면 84%까지 향상될 수 있다. 반면, 우리의 양자‑고전 혼합 방법을 적용하면 성능이 87% 정확도로 증가하여 견고한 고전 접근법에 비해 명확하고 재현 가능한 개선을 보여준다. IBM의 여러 양자 프로세서에서 구현된 우리의 하이브리드 양자‑고전 접근법은 절대 정확도에서 2–3%의 일관된 향상을 제공한다. 이러한 결과는 위성 이미지 및 원격 탐사와 같은 고위험, 데이터 중심 분야에서 현재 및 근시일 내 양자 프로세서의 실용적 잠재력을 강조하며, 실제 머신러닝 작업 전반에 걸친 보다 넓은 적용 가능성을 시사한다.

Key Contributions

• quant‑ph
• cs.CV
• cs.LG

Methodology

자세한 방법론은 전체 논문을 참고하시기 바랍니다.

Practical Implications

이 연구는 quant‑ph 분야의 발전에 기여한다.

Authors

• Qi Zhang
• Anton Simen
• Carlos Flores‑Garrigós
• Gabriel Alvarado Barrios
• Paolo A. Erdman
• Enrique Solano
• Aaron C. Kemp
• Vincent Beltrani
• Vedangi Pathak
• Hamed Mohammadbagherpoor

Paper Information

• arXiv ID: 2602.18350v1
• Categories: quant‑ph, cs.CV, cs.LG
• Published: February 20, 2026
• PDF: Download PDF