DEVELOPMENT OF HYBRID QUANTUM-CLASSICAL MODELS FOR COMPUTER VISION

Aksultan Mukhanbet; Nurtugan Azatbekuly; Beimbet Daribayev

doi:10.26577/jpcsit20253105

Автор(и)

Aksultan Mukhanbet LLP DigitAlem, Almaty, Kazakhstan https://orcid.org/0000-0003-4699-0436 (неавтентифікований)
Nurtugan Azatbekuly LLP DigitAlem, Almaty, Kazakhstan https://orcid.org/0009-0007-5843-8995 (неавтентифікований)
Beimbet Daribayev LLP DigitAlem, Almaty, Kazakhstan https://orcid.org/0000-0003-1313-9004 (неавтентифікований)

DOI:

https://doi.org/10.26577/jpcsit20253105

Ключові слова:

quantum neural networks, hybrid computing, data classification, machine learning, gradient descent

Анотація

Бұл зерттеу кванттық есептеуді классикалық машинамен оқыту әдістерімен біріктіруді зерттейді, ол деректерді жіктеу тапсырмаларын жақсарту үшін кванттық нейрондық желілер (QNN) және параметрленген кванттық схемаларды (PQC) қолданады. Гибридтік әдіс кванттық және классикалық жүйелердің артықшылықтарын пайдалана отырып, деректерді өңдеудің тиімділігі мен дәлдігін арттырады. Осы модельде деректер амплитуда кодтауын пайдаланып, кубиттерге кодталады, мұнда енгізу векторлары кванттық күйлердің амплитудаларымен көрсетіледі. QNN кубиттерді Адамар гейттерін пайдаланып суперпозиция күйіне орналастыру арқылы іске қосылады, одан кейін параметрленген бұрыштық есіктер көмегімен деректер кодталады, олар классикалық деректерді бұрыштық айналымдар арқылы кванттық күйлерге түрлендіреді. PQC кванттық кеңістікте деректерді өңдеу үшін параметрленген кванттық операциялар қабаттарын қолдана отырып, негізгі рөл атқарады. Осы параметрлер оқыту процесі кезінде оңтайландырылып, градиенттік түсу әдісін пайдаланып, болжанған кванттық күйлер мен шын класс белгілері арасындағы қатені минимизациялайтын квадраттық шығын функциясы қолданылады. MNIST деректер жиынтығында жүргізілген тәжірибелер гибридті кванттық-классикалық нейрондық желінің (QCNN) PQC пайдалануымен 95%-дан астам жіктеу дәлдігін көрсететінін дәлелдейді, бұл оның машинамен оқыту қосымшаларындағы әлеуетін көрсетеді. Нәтижелер кванттық есептеуді классикалық машинамен оқытуға біріктіру күрделі деректерді талдау тапсырмаларындағы өнімділікті арттыратынын дәлелдейді, себебі кванттық күй кеңістігінің экспоненциалды өсуі және кванттық жүйелердің параллелизмі бар, осылайша гибридтік модельдер компьютерлік көру және жіктеу тапсырмаларына үміт артады.

Завантажити

Дані для завантаження поки недоступні.

Біографії авторів

автор Aksultan Mukhanbet, афіліація LLP DigitAlem, Almaty, Kazakhstan

Aksultan Mukhanbet is a researcher at LLP DigitAlem and a PhD student in the Computer Science Department at Al-Farabi Kazakh National University (Almaty, Kazakhstan, mukhanbetaksultan0414@gmail.com). His research interests include quantum computing, quantum machine learning, quantum optimization, and computer vision.
автор Nurtugan Azatbekuly, афіліація LLP DigitAlem, Almaty, Kazakhstan

Nurtugan Azatbekuly is a junior researcher at LLP DigitAlem and a master’s student in the Computer Science Department at Al-Farabi Kazakh National University (Almaty, Kazakhstan, nurtugang17@gmail.com). His research interests focus on the analysis and development of computer vision algorithms and quantum computing.
автор Beimbet Daribayev, афіліація LLP DigitAlem, Almaty, Kazakhstan

Beimbet Daribayev, PhD, is a senior researcher at LLP DigitAlem and an Associate Professor in the Computer Science Department at Al-Farabi Kazakh National University (Almaty, Kazakhstan, beimbet.daribayev@gmail.com). His research interests include quantum computing, machine learning, and high-performance computing.