다중클래스 분류를 위한 투영가치측정 기반 양자머신러닝 방법에 있어서,큐빗의 개수가 q인 입력데이터에 QCNN(Quantum Convolution Neural Network) 양자회로를 적용하되 POVM(positive operator-valued measure)을 기반으로 최종 특징벡터를 출력하는 POVM 단계; 및상기 POVM 단계의 결과 출력된 상기 최종 특징벡터에 QNN(Quantum Neural Network) 양자회로를 적용하되 PVM(projection-valued measure)을 기반으로 q 개의 큐빗보다 확장성(Scalability)이 증가된 다중클래스 예측벡터를 출력하는 PVM 단계;를 포함하는 것을 특징으로 하는, 다중클래스 분류를 위한 투영가치측정 기반 양자머신러닝 방법.

청구항 1에 있어서,상기 PVM 단계는,복수의 POVM채널로부터 각기 출력되는 상기 최종 특징벡터들을 접합(concatenation)시켜 특징들을 추출하는 단계; 및추출된 특징들(extracted features)을 상기 QNN양자회로에 입력하고 PVM을 기반으로 상기 다중클래스 예측벡터를 위한 확률측정으로서 2q 차원의 관측가능값(observables)을 출력하는 단계:를 포함하는 것을 특징으로 하는, 다중클래스 분류를 위한 투영가치측정 기반 양자머신러닝 방법.

청구항 2에 있어서,상기 POVM 단계는,복수의 입력 채널을 통해 각각 상기 입력데이터로서 이미지를 입력받아 POVM을 기반으로 초기 특징벡터들을 출력하는 초기 QCNN 단계; 및상기 초기 특징벡터들을 입력받아 POVM을 기반으로 각 상기 입력 채널별로 큐빗의 개수가 q인 상기 최종 특징벡터를 출력하는 추가의 QCNN 단계;를 포함하는 것을 특징으로 하는, 다중클래스 분류를 위한 투영가치측정 기반 양자머신러닝 방법.

청구항 3에 있어서,상기 추가의 QCNN단계는, 하나 이상의 QCNN 레이어를 포함하며 각 QCNN 레이어가 POVM을 기반으로 출력한 중간 특징벡터가 다음 QCNN 레이어로 입력되는 것을 특징으로 하는, 다중클래스 분류를 위한 투영가치측정 기반 양자머신러닝 방법.

청구항 3에 있어서,상기 QNN 양자회로의 학습에서 손실함수로서 확률 진폭 정규화기(Probability Amplitude Regularizer)가 사용되며,상기 확률 진폭 정규화기 LPAR는 상기 QNN 양자회로의 학습에서 사용되지 않은 클래스(unused Lables)에 대한 확률값을 제거하기 위해 하기 식(1)로 정의되며, 상기 식(1)에서 이고, |y|는 분류하고자 하는 작업의 클래스 개수, 2q는 QNN의 출력이고, θ는 훈련 가능한 매개변수, X는 추출된 특징, Pn'는 n'번째 투영 행렬인 것을 특징으로 하는, 다중클래스 분류를 위한 투영가치측정 기반 양자머신러닝 방법.

청구항 5에 있어서,상기 QCNN 양자회로 및 상기 QNN 양자회로의 학습에서 손실함수로서 이진 교차 엔트로피 손실(Binary Cross-Entropy Loss) 및 상기 확률 진폭 정규화기(Probability Amplitude Regularizer)가 사용되며,상기 이진 교차 엔트로피 손실 LBCE는 하기 식(2)로 정의되는 것을 특징으로 하는,다중클래스 분류를 위한 투영가치측정 기반 양자머신러닝 방법.

청구항 6에 있어서,한 단계 단일 업데이트(one-step single update)를 위한 훈련 손실함수(train loss function)가 하기 식(3)으로 정의되는 것을 특징으로 하는,다중클래스 분류를 위한 투영가치측정 기반 양자머신러닝 방법.