Q-DIVER: 뇌파 데이터 기반의 통합 양자 전이 학습 및 미분 가능한 양자 아키텍처 탐색

Q-DIVER: Integrated Quantum Transfer Learning and Differentiable Quantum Architecture Search with EEG Data

양자 회로를 딥러닝 파이프라인에 통합하는 것은 휴리스틱한 설계의 한계로 인해 여전히 어려운 과제입니다. 본 논문에서는 대규모 사전 훈련된 뇌파 인코더(DIVER-1)와 미분 가능한 양자 분류기를 결합한 하이브리드 프레임워크인 Q-DIVER를 제안합니다. 기존의 고정된 구조(ansatz) 방식과는 달리, 우리는 Differentiable Quantum Architecture Search를 사용하여 엔드-투-엔드 미세 조정 과정에서 작업에 최적화된 회로 토폴로지를 자동으로 발견합니다. PhysioNet Motor Imagery 데이터셋에서, 우리의 양자 분류기는 기존의 다층 퍼셉트론(Test F1: 63.49%)과 유사한 예측 성능을 달성하면서, 약 **50배 적은 수의 작업별 헤드 파라미터** (2.10M vs. 105.02M)를 사용합니다. 이러한 결과는 양자 전이 학습이 고차원 생체 신호 처리에 대한 효율적인 파라미터 전략임을 입증합니다.

Integrating quantum circuits into deep learning pipelines remains challenging due to heuristic design limitations. We propose Q-DIVER, a hybrid framework combining a large-scale pretrained EEG encoder (DIVER-1) with a differentiable quantum classifier. Unlike fixed-ansatz approaches, we employ Differentiable Quantum Architecture Search to autonomously discover task-optimal circuit topologies during end-to-end fine-tuning. On the PhysioNet Motor Imagery dataset, our quantum classifier achieves predictive performance comparable to classical multi-layer perceptrons (Test F1: 63.49\%) while using approximately \textbf{50$\times$ fewer task-specific head parameters} (2.10M vs. 105.02M). These results validate quantum transfer learning as a parameter-efficient strategy for high-dimensional biological signal processing.