연구팀은 양자 기계 학습(QML)의 척박한 지형(Barren Plateaus)이 모델 용량 증가가 아닌, 오히려 광대한 힐베르트 공간에서 비롯된다고 밝혔습니다.
동적 리 대수(DLA)와 기하학적 QML을 융합하여 회로 생성기의 대수 차원이 최적화 역학에 미치는 영향을 규명했습니다.
비선형 이진 분류 작업에서 실험적으로 검증 결과, 구조적 정규화(group-theoretic geometric priors)을 통해 확장 가능한, 기울기 풍부한 학습 환경을 확보할 수 있었습니다.