Wi-Fiを利用した人間行動認識は、統合センシングおよび通信の重要な応用分野として、さまざまな文脈依存サービスの基盤となっている。しかし、既存のWi-FiベースHARシステムの多くは深層学習モデルに依存しており、訓練と推論の双方で計算量とメモリ消費が大きく、実際の展開には課題があった。特に従来の訓練では数百万規模のパラメータを同時に更新する必要があり、メモリ使用量が非常に高くなってしまう。
この問題を解決するため、研究チームは「Q-MET」と呼ばれる量子支援メモリ効率学習フレームワークを提案した。Q-METは量子-古典ハイブリッドニューラルネットワークを用いてHARモデルのパラメータを間接的に生成する。これにより、直接最適化する従来手法と比べて学習可能なパラメータ数を大幅に削減できる。実験結果では、従来の逆伝播に基づく深層学習訓練と比較して、学習可能パラメータを90%から95%削減しつつ、分類精度は従来の古典的手法と同等以上を維持した。
さらに、リソース制約のある端末への展開を後押しするため、Q-METは訓練段階で構造化プルーニングを取り入れている。その結果、推論時には75%から85%のモデル稀疏度を実現し、分類精度の低下を2%未満に抑えることができた。これにより、訓練時のメモリ負荷を軽減するだけでなく、推論の軽量化も併せて達成している。
著者らによると、本研究はHARシステムの訓練と推論の両段階におけるメモリ非効率性に同時に対処する初の量子支援アプローチである。論文はTo Truong An氏を含む7名の共著によるもので、全18ページ・図9点からなり、2026年のIEEE Transactions on Network Science and Engineeringに掲載された。プレプリントはarXiv:2609.04271で入手でき、Wi-Fiセンシングモデルのエッジデバイス展開に向けた新たな道を拓くものといえる。