Квантова згорткова нейронна мережа
DOI:
https://doi.org/10.18372/1990-5548.76.17667Ключові слова:
квантовий комп’ютер, квантовий метод опорних векторів, квантова згорткова нейромережа, квантові обчислення, класифікація, машинне навчанняАнотація
У даній роботі розглянуто квантові згорткові нейронні мережі в задачі розпізнавання рукописних цифр. Запропоновано власну квантову схему для згорткового шару квантової згорткової нейронної мережі. Запропоновано власну квантову схему для пулінг шару квантової згорткової нейронної мережі. Проаналізовані результати навчання квантових згорткових нейронних мереж. Проведено порівняння побудованих моделей та вибрано найкращу за метриками accuracy, recall, precision і f1-score. Зроблено порівняльний аналіз з класичною згортковою нейроною мережею за метриками accuracy, recall, precision і f1-score. Об’єктом дослідження є задача розпізнавання цифр. Предмет дослідження – згорткова нейромережа, квантова згорткова нейромережа. Результат даної роботи можна застосувати у подальшому дослідженні квантових обчислень у задачах штучного інтелекту.
Посилання
Guillaume Verdon, Mochael Broughton, Jacob Biamonte, “A quantum algorithm to train neural networks using low-depth circuits”, arXiv.org [Electronic resource]. URL: https://arxiv.org/abs/1712.05304 (date of the application: 10.08.2019)
Maria Schuld, Alex Bocharov, Krysta Svore, Nathan Wiebe. Circuit-centric quantum classifiers. arXiv preprint arXiv:1804.00633, 2018.
Metodi i modeli intellektual'nogo analiza dannykh. Praktikum [Yelektronniy resurs]: navchal'nyy posibnik dlya studentov, yaki navchayut'sya za spetsial'nistyu 122 «Komp'yuterní nauki», osvitn'oí̈ programmy «Sistemy i metody shtuchnogo intelektu» / N. I. Nedashkovskaya; KPI im. Igor' Sikors'kogo. – Elektronnyye teksty dani (1 fayl: 1,77 Mbayt). – Kyiv: KPI im. Igor' Sikors'kogo, 2019, 71 s. https://ela.kpi.ua/handle/123456789/53764 [in Ukrainian]
Kvantova realizatsiya klassifikatora metodov opornykh vektorov (SVM): diplom robota opornogo ... bakalavra : 122 Komp'yuternyye nauki / Chinnik Petro Anatoliyovich, Kyiv, 2021, 97 s. [in Ukrainian]
Tak Hur, Leeseok Kim, and Daniel K. Park. “Quantum convolutional neural network for classical data classification”, arXiv.org [Electronic resource]. URL: https://arxiv.org/pdf/2108.00661.pdf (date of the application 2 August 2021)
Edward Grant, Marcello Benedetti, Shuxiang Cao, Andrew Hallam, Joshua Lockhart, Vid Stojevic, Andrew G. Green, and Simone Severini. Hierarchical quantum classifiers. npj Quantum Information, 4(1):65, 2018 https://doi.org/10.1038/s41534-018-0116-9
Robert M. Parrish, Edward G. Hohenstein, Peter L. McMahon, and Todd J. Martı́nez. Quantum computation of electronic transitions using a variational quantum eigensolver. Phys. Rev. Lett., 122:230401, 2019. https://doi.org/10.1103/PhysRevLett.122.230401
Sukin Sim, Peter D. Johnson, and Alán Aspuru-Guzik. Expressibility and entangling capability of parameterized quantum circuits for hybrid quantum-classical algorithms. Advanced Quantum Technologies, 2(12):1900070. 2019. https://doi.org/10.1002/qute.201900070
Martín Larocca, Nathan Ju, Diego García-Martín, Patrick J. Coles, Marco Cerezo, “Theory of overparametrization in quantum neural networks” [Electronic resource]. nature.org URL: https://www.nature.com/articles/s43588-023-00467-6 (date of the application 26 June 2023) https://doi.org/10.1038/s43588-023-00467-6
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Автори, які публікуються в цьому журналі, погоджуються з наступними умовами:
Автори зберігають авторські права та надають журналу право першої публікації роботи, одночасно ліцензованої за ліцензією Creative Commons Attribution License, яка дозволяє іншим поширювати роботу з посиланням на авторство роботи та її першу публікацію в цьому журналі.
Автори можуть укладати окремі додаткові договірні угоди щодо неексклюзивного розповсюдження опублікованої в журналі версії роботи (наприклад, розміщувати її в інституційному репозиторії або публікувати в книзі) з посиланням на її першу публікацію в цьому журналі.
Авторам дозволяється та заохочується розміщувати свої роботи онлайн (наприклад, в інституційних репозиторіях або на своєму вебсайті) до та під час процесу подання, оскільки це може призвести до продуктивного обміну, а також до більш раннього та більшого цитування опублікованих робіт (див. Вплив відкритого доступу).
