Naukowcy przedstawili Q-MET - frameworks łączący komputery kwantowe z klasycznymi sieciami neuronowymi do efektywnego trenowania modeli rozpoznawania aktywności człowieka opartych na sygnałach Wi-Fi. Zamiast bezpośrednio aktualizować miliony parametrów, hybryda kwantowo-klasyczna generuje parametry pośrednio, drastycznie zmniejszając liczbę treningowych zmiennych.
Wi-Fi-based human activity recognition (HAR) ma rosnące znaczenie w systemach łączących sensing z komunikacją, wspierając usługi kontekstowe. Jednak dotychczasowe rozwiązania oparte na глębokim uczeniu wymagają ogromnych zasobów pamięci zarówno podczas treningu jak i wnioskowania, co utrudnia wdrażanie w rzeczywistych warunkach. Q-MET rozwiązuje ten problem poprzez redukcję liczby treningowych parametrów o 90-95 procent bez pogorszenia rezultatów.
Dodakowo framework integruje structured pruning na etapie treningu, osiągając 75-85 procent sparsity modelu ze stratą poniżej 2 procent w dokładności. Takie podejście otwiera nowe możliwości dla wdrażania zaawansowanych systemów HAR na urządzeniach z ograniczoną mocą obliczeniową i pamięcią, co jest szczególnie ważne dla IoT oraz systemów wbudowanych.