로컬 데이터 및 상기 로컬 데이터의 분류 정보를 포함하는 레이블(label) 데이터에 양자 회로를 적용하여 특징 정보를 추출하고, 추출된 특징 정보 및 상기 레이블 데이터를 출력하는 적어도 하나의 로컬 디바이스; 및상기 적어도 하나의 로컬 디바이스로부터 수신된 모든 특징 정보 및 레이블 데이터에 양자 회로를 적용하되 PVM(positive operator-valued measure)을 기반으로 상기 로컬 데이터의 분류에 대한 예측 결과를 출력하는 서버;를 포함하는, 양자 스플릿 학습 시스템.

제1항에 있어서,상기 적어도 하나의 로컬 디바이스는 상기 로컬 데이터에 QCNN(Quantum Convolution Neural Network) 양자 회로를 적용하여 이미지 특징 정보를 추출하고, 상기 레이블 데이터에 QNN(Quantum Neural Network) 양자 회로를 적용하여 레이블 특징 정보를 추출하는, 양자 스플릿 학습 시스템.

제2항에 있어서,상기 특징 정보는 상기 이미지 특징 정보 및 레이블 특징 정보가 교차-채널 풀링(Cross-Channel Pooling)을 통해 조합된 것인, 양자 스플릿 학습 시스템.

제1항에 있어서,상기 서버는 상기 모든 특징 정보에 QCNN(Quantum Convolution Neural Network)/QNN(Quantum Neural Network) 양자 회로를 적용하여 상기 예측 결과를 출력하는, 양자 스플릿 학습 시스템.

제1항에 있어서,상기 PVM의 목적 함수(objective function)는 하기 식(1)로 정의되며,...(1)상기 식(1)에서 θ는 훈련 가능한 매개변수, ζ는 미니 배치, X는 상기 로컬 데이터, y는 상기 레이블 데이터, LBCE는 이진 교차 엔트로피(Binary Cross Entropy), LPAR은 정규화기(regularizer)를 나타내는 것을 특징으로 하는, 양자 스플릿 학습 시스템.

제5항에 있어서,상기 이진 교차 엔트로피 LBCE는 하기 식(2)로 정의되며,...(2)상기 식(2)에서 |y|는 분류하고자 하는 작업의 클래스 개수, pn은 클래스 n에 대한 예측 값을 나타내는 것을 특징으로 하는, 양자 스플릿 학습 시스템.

제6항에 있어서,상기 정규화기 LPAR는 하기 식(3)으로 정의되며, ...(3)상기 식(3)에서 이고, 2q는 QNN의 출력, Pn'는 n'번째 투영 행렬을 나타냄을 특징으로 하는, 양자 스플릿 학습 시스템.

적어도 하나의 로컬 디바이스와 서버를 포함하는 양자 스플릿 학습 시스템의 양자 스플릿 학습 방법에 있어서,상기 적어도 하나의 로컬 디바이스가 로컬 데이터 및 상기 로컬 데이터의 분류 정보를 포함하는 레이블(label) 데이터에 양자 회로를 적용하여 특징 정보를 추출하는 단계; 상기 적어도 하나의 로컬 디바이스가 상기 추출된 특징 정보 및 레이블 데이터를 출력하는 단계; 상기 서버가 상기 적어도 하나의 로컬 디바이스로부터 수신된 모든 특징 정보 및 레이블 데이터에 양자 회로를 적용하는 단계; 및상기 서버가 PVM(positive operator-valued measure)을 기반으로 상기 로컬 데이터의 분류에 대한 예측 결과를 출력하는 단계;를 포함하는, 양자 스플릿 학습 방법.

제8항에 있어서,상기 특징 정보를 추출하는 단계는,상기 로컬 데이터에 QCNN(Quantum Convolution Neural Network) 양자 회로를 적용하여 이미지 특징 정보를 추출하는 단계; 및 상기 레이블 데이터에 QNN(Quantum Neural Network) 양자 회로를 적용하여 레이블 특징 정보를 추출하는 단계를 포함하는, 양자 스플릿 학습 방법.

제9항에 있어서,상기 특징 정보는 상기 이미지 특징 정보 및 레이블 특징 정보가 교차-채널 풀링(Cross-Channel Pooling)을 통해 조합된 것인, 양자 스플릿 학습 방법.

제8항에 있어서,상기 양자 회로를 적용하는 단계는, 상기 모든 특징 정보에 QCNN(Quantum Convolution Neural Network)/QNN(Quantum Neural Network) 양자 회로를 적용하는 것인, 양자 스플릿 학습 방법.

제8항에 있어서,상기 PVM의 목적 함수(objective function)는 하기 식(4)로 정의되며,...(4)상기 식(4)에서 θ는 훈련 가능한 매개변수, ζ는 미니 배치, X는 상기 로컬 데이터, y는 상기 레이블 데이터, LBCE는 이진 교차 엔트로피(Binary Cross Entropy), LPAR은 정규화기(regularizer)를 나타내는 것을 특징으로 하는, 양자 스플릿 학습 방법.

제12항에 있어서,상기 이진 교차 엔트로피 LBCE는 하기 식(5)로 정의되며,...(5)상기 식(5)에서 |y|는 분류하고자 하는 작업의 클래스 개수, pn은 클래스 n에 대한 예측 값을 나타내는 것을 특징으로 하는, 양자 스플릿 학습 방법.

제13항에 있어서,상기 정규화기 LPAR는 하기 식(6)으로 정의되며, ...(6)상기 식(6)에서 이고, 2q는 QNN의 출력, Pn'는 n'번째 투영 행렬을 나타냄을 특징으로 하는, 양자 스플릿 학습 방법.