만성 신장 질환 진단을 위한 하이브리드 양자 신경망 설계 공간 탐색

Design Space Exploration of Hybrid Quantum Neural Networks for Chronic Kidney Disease

최근 하이브리드 양자 신경망(HQNN)은 단기 양자 머신러닝을 위한 유망한 패러다임으로 부상했습니다. 그러나 이들의 실제 성능은 고전 데이터-양자 데이터 인코딩 방식, 양자 회로 아키텍처, 측정 전략 및 샷 수와 같은 설계 선택에 크게 의존합니다. 본 논문에서는 만성 신장 질환(CKD) 진단을 위한 HQNN의 포괄적인 설계 공간 탐색을 제시합니다. 신중하게 선별되고 전처리된 임상 데이터 세트를 사용하여, 5가지 인코딩 방식, 5가지 얽힘 아키텍처, 5가지 측정 전략 및 5가지 다양한 샷 설정을 결합하여 얻은 625개의 다양한 HQNN 모델을 벤치마킹했습니다. 공정하고 견고한 평가를 보장하기 위해, 모든 모델은 10배의 계층화 교차 검증을 사용하여 학습되었으며, 정확도, 곡선 아래 면적(AUC), F1 점수 및 복합 성능 점수 등 포괄적인 지표를 사용하여 테스트 세트에서 평가되었습니다. 우리의 결과는 인코딩 방식과 회로 아키텍처 간의 강력하고 복잡한 상호 작용을 보여주며, 높은 성능이 반드시 큰 파라미터 수 또는 복잡한 회로를 요구하지 않는다는 것을 나타냅니다. 특히, 적절한 인코딩(예: Ring 얽힘과 함께 IQP)을 결합한 소형 아키텍처가 정확도, 견고성 및 효율성 간의 최적의 균형을 달성할 수 있음을 발견했습니다. 절대 성능 분석 외에도, 다양한 설계 차원이 HQNN의 학습 행동에 어떤 영향을 미치는지에 대한 실질적인 통찰력을 제공합니다.

Hybrid Quantum Neural Networks (HQNNs) have recently emerged as a promising paradigm for near-term quantum machine learning. However, their practical performance strongly depends on design choices such as classical-to-quantum data encoding, quantum circuit architecture, measurement strategy and shots. In this paper, we present a comprehensive design space exploration of HQNNs for Chronic Kidney Disease (CKD) diagnosis. Using a carefully curated and preprocessed clinical dataset, we benchmark 625 different HQNN models obtained by combining five encoding schemes, five entanglement architectures, five measurement strategies, and five different shot settings. To ensure fair and robust evaluation, all models are trained using 10-fold stratified cross-validation and assessed on a test set using a comprehensive set of metrics, including accuracy, area under the curve (AUC), F1-score, and a composite performance score. Our results reveal strong and non-trivial interactions between encoding choices and circuit architectures, showing that high performance does not necessarily require large parameter counts or complex circuits. In particular, we find that compact architectures combined with appropriate encodings (e.g., IQP with Ring entanglement) can achieve the best trade-off between accuracy, robustness, and efficiency. Beyond absolute performance analysis, we also provide actionable insights into how different design dimensions influence learning behavior in HQNNs.