РАЗРАБОТКА ГИБРИДНЫХ КВАНТОВО-КЛАССИЧЕСКИХ МОДЕЛЕЙ ДЛЯ КОМПЬЮТЕРНОГО ЗРЕНИЯ

Аннотация

Это исследование изучает интеграцию квантовых вычислений с классическим машинным обучением для улучшения задач классификации данных с использованием квантовых нейронных сетей (QNN) и параметризованных квантовых цепей (PQC). Гибридный подход использует преимущества как квантовых, так и классических систем для повышения эффективности и точности обработки данных. В данной модели данные кодируются в кубиты с использованием амплитудного кодирования, при котором входные векторы представлены как амплитуды квантовых состояний. QNN инициализируется путем помещения кубитов в состояние суперпозиции с использованием вентилей Адамара, после чего следует кодирование данных с помощью параметризованных ротационных вентилей, которые преобразуют классические данные в квантовые состояния с использованием углов поворота. PQC играет центральную роль, применяя слои параметризованных квантовых операций для обработки данных в квантовом пространстве. Эти параметры оптимизируются в процессе обучения, где квадратичная функция потерь минимизирует ошибку между предсказанными квантовыми состояниями и истинными метками классов с использованием градиентного спуска. Эксперименты, проведенные на наборе данных MNIST, показывают, что гибридная квантово-классическая нейронная сеть (QCNN) с использованием PQC достигает точности классификации более 95%, что подчеркивает её потенциал в приложениях машинного обучения. Результаты демонстрируют, что интеграция квантовых вычислений с классическим машинным обучением улучшает производительность в сложных задачах анализа данных благодаря экспоненциальному росту пространства квантовых состояний и параллелизму квантовых систем, что делает гибридные модели перспективными для компьютерного зрения и задач классификации.