Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

The Journal of Advanced Navigation Technology

실용적 안정성을 보장하는 양자화기 데이터 율 조건

Yang Jang Hoon

Published Jun 1, 2018• 0 citations
OpenAlex

Related papers

상보잡음을 이용하여 채널용량 차이를 보장하는 완벽보안체계

황일평, 문상록, 유상화 +1 more

•Dec 2, 2015•0 citations

양자화 정밀도 향상을 위한 양자화기 성능 분석

Kwon Soon Kak, Jong Min Lee, Oh-Jun Kwon

The Korean Data Analysis Society•Aug 1, 2008•0 citations

이득 매질을 이용한 비고전적인 정도 측정

김영철, 윤태현

한국광학회 학술대회논문집•Feb 1, 2002•0 citations

When Does Quantum Machine Learning Outperform Classical Machine Learning? Identifying Dataset Characteristics That Enable Quantum Advantage

Sungmin Kim, Juntaek Oh, Zichen Luo +2 more

양자머신러닝(Quantum Machine Learning, QML)에 대한 기업의 관심이 높아지고 있음에도 불구하고, 조직들은 언제 QML 투자가 고전 머신러닝 대안보다 정당화되는지를 판단할 데이터 기반 프레임워크를 갖추지 못하고 있다. 본 연구는 PRISMA 2020 체계적 문헌고찰을 통해 확인된 35편의 동료심사 연구로부터 추출한 92개 벤치마크 데이터셋을 대상으로, 양자 우위 발현 조건에 대한 최초의 메타분석적 ․ 통계적 검증 연구를 수행함으로써 이러한 공백을 다룬다. 각 데이터셋에 대해 표본 규모, 차원성, 노이즈 수준, 비선형 구조, 특성 간 상관관계를 아우르는 18개의 측정 가능한 데이터 특성을 추출하고, 최고 성능 QML모델과 고전 최신기법(SOTA) 간의 성능 격차(Gap_from_SOTA)를 산출하였다. 비모수 집단비교, HC3 이분산성-강건표준오차를 적용한 다중회귀분석, 그리고 5개 모델(XGBoost, LightGBM, CatBoost, RandomForest, GradientBoosting)에 대한 SHAP 설명가능 인공지능을 활용한 앙상블 머신러닝이라는 세 가지 독립적 분석 방법이 적용되었다. 분석 결과, 노이즈 수준, 비선형성 격차, 최대 특성 간 상관관계가 QML 우위를 결정하는 세 가지 지배적 예측변수로 일관되게 확인되었으며, 5개 앙상블 모델 전반에서 특성 중요도 순위가 동일하게 나타났다. 이들 예측변수로부터 QML이 고전 방법을 능가할 가능성이 높은 조건, 즉 낮은 노이즈, 우호적인 비선형 구조, 약한 특성 간 상관관계를 함께 특징짓는 정량적 의사결정 임계값을 도출하였다. 도메인 분석 결과 에너지/전력 및 기상/기후 분야에서 유의하게 높은 양자 우위가 나타난 반면, 약물/화학 및 금융 분야는 고전 방법에 유리한 것으로 나타났다. 시계열 과제는 QML의 이점이 가장 큰 반면, 다중분류는 고전ML에 유리한 경향을 보였다. 아키텍처 중에서는 QLSTM 계열 모델이 가장 높고 일관된 우위를 달성하였다.

Journal of Intelligence and Information Systems•Sep 30, 2026•0 citations

양자 공동에서 측정을 이용한 원자 얽힘 상태 구현

홍종철, 이해웅

한국광학회 학술대회논문집•Jul 1, 2003•0 citations

무아레 현상을 이용한 데이터 암호화

강혁, 이병래, 김태윤

본 논문은 물리학적 현상 중 무아레 현상을 이용해 통신 중에 사용되는 데이터를 암호화하는 방법을 제안한다. 먼저 무아레에 대한 기본적인 이론과 기존에 사용되어지는 데이터 암호화 기법에 대해 고찰하고 무아레 현상을 이용한 데이터 암호화를 제안하고 마지막으로 제안된 무아레 현상을 이용한 데이터 암호화와 기존에 사용되는 암호화 기법을 비교 문제점과 해결 방안을 제안한다.

한국정보과학회 학술발표논문집•Oct 1, 2001•0 citations
양자머신러닝(Quantum Machine Learning, QML)에 대한 기업의 관심이 높아지고 있음에도 불구하고, 조직들은 언제 QML 투자가 고전 머신러닝 대안보다 정당화되는지를 판단할 데이터 기반 프레임워크를 갖추지 못하고 있다. 본 연구는 PRISMA 2020 체계적 문헌고찰을 통해 확인된 35편의 동료심사 연구로부터 추출한 92개 벤치마크 데이터셋을 대상으로, 양자 우위 발현 조건에 대한 최초의 메타분석적 ․ 통계적 검증 연구를 수행함으로써 이러한 공백을 다룬다. 각 데이터셋에 대해 표본 규모, 차원성, 노이즈 수준, 비선형 구조, 특성 간 상관관계를 아우르는 18개의 측정 가능한 데이터 특성을 추출하고, 최고 성능 QML모델과 고전 최신기법(SOTA) 간의 성능 격차(Gap_from_SOTA)를 산출하였다. 비모수 집단비교, HC3 이분산성-강건표준오차를 적용한 다중회귀분석, 그리고 5개 모델(XGBoost, LightGBM, CatBoost, RandomForest, GradientBoosting)에 대한 SHAP 설명가능 인공지능을 활용한 앙상블 머신러닝이라는 세 가지 독립적 분석 방법이 적용되었다. 분석 결과, 노이즈 수준, 비선형성 격차, 최대 특성 간 상관관계가 QML 우위를 결정하는 세 가지 지배적 예측변수로 일관되게 확인되었으며, 5개 앙상블 모델 전반에서 특성 중요도 순위가 동일하게 나타났다. 이들 예측변수로부터 QML이 고전 방법을 능가할 가능성이 높은 조건, 즉 낮은 노이즈, 우호적인 비선형 구조, 약한 특성 간 상관관계를 함께 특징짓는 정량적 의사결정 임계값을 도출하였다. 도메인 분석 결과 에너지/전력 및 기상/기후 분야에서 유의하게 높은 양자 우위가 나타난 반면, 약물/화학 및 금융 분야는 고전 방법에 유리한 것으로 나타났다. 시계열 과제는 QML의 이점이 가장 큰 반면, 다중분류는 고전ML에 유리한 경향을 보였다. 아키텍처 중에서는 QLSTM 계열 모델이 가장 높고 일관된 우위를 달성하였다.
본 논문은 물리학적 현상 중 무아레 현상을 이용해 통신 중에 사용되는 데이터를 암호화하는 방법을 제안한다. 먼저 무아레에 대한 기본적인 이론과 기존에 사용되어지는 데이터 암호화 기법에 대해 고찰하고 무아레 현상을 이용한 데이터 암호화를 제안하고 마지막으로 제안된 무아레 현상을 이용한 데이터 암호화와 기존에 사용되는 암호화 기법을 비교 문제점과 해결 방안을 제안한다.