1. На главную
  2. Электронные версии
  3. Доклады Российской академии наук. Математика, информатика, процессы управления
  4. T. 514, № 2, 2023

Доклады Российской академии наук. Математика, информатика, процессы управления, 2023, T. 514, № 2, стр. 177-186

СТАТИСТИЧЕСКОЕ ОНЛАЙН-ОБУЧЕНИЕ В РЕКУРРЕНТНЫХ И ПРЯМОГО РАСПРОСТРАНЕНИЯ КВАНТОВЫХ НЕЙРОННЫХ СЕТЯХ

С. В. Зуев 1, *

1 Белгородский государственный технологический университет им. В.Г. Шухова
Белгород, Россия

* E-mail: sergey.zuev@bk.ru

Поступила в редакцию 24.08.2023
После доработки 15.09.2023
Принята к публикации 24.10.2023

Аннотация

Цели.

Для систем адаптивного искусственного интеллекта вопрос о возможности онлайн-обучения является особенно важным, так как такое обучение и обеспечивает адаптацию. Цель работы – рассмотреть методы квантового машинного онлайн-обучения для наиболее распространенных двух архитектур квантовых нейронных сетей: прямого распространения и рекуррентной.

Методы.

В работе используется доступный на PyPI модуль quantumz для эмуляции квантовых вычислений и создания искусственных квантовых нейронных сетей. Кроме того, для преобразования размерностей данных используется модуль genser, обеспечивающий обратимую трансформацию размерностей без потери информации. Данные для экспериментов взяты из открытых источников. В работе реализуется метод машинного обучения без оптимизации, предложенный автором ранее.

Результаты.

Представлены и экспериментально подтверждены алгоритмы онлайн-обучения для рекуррентной и прямого распространения квантовой нейронной сети.

Выводы.

Предложенные алгоритмы обучения являются инструментами для интеллектуального анализа данных, а также для создания адаптивных интеллектуальных систем управления. Разработанное алгоритмическое обеспечение может полностью раскрыть свой потенциал только на квантовых вычислителях, но, в случае небольшого числа квантовых регистров, может быть применено и в системах, эмулирующих квантовые вычисления, или в фотонных вычислителях.

Ключевые слова: онлайн-обучение, адаптивный искусственный интеллект, квантовое машинное обучение, квантовая запутанность

Список литературы

  1. Tacchino F., Macchiavello C., Gerace D. et al. An artificial neuron implemented on an actual quantum processor. npj Quantum Inf. 2019. V. 5. № 1. P. 26.

  2. Menneer T., Narayanan A. Quantum-inspired neural networks. In Proceedings of the Neural Information Processing Systems 95, Denver, CO, USA, 27–30 November 1995.

  3. Гушанский С.М., Буглов В.Е. Квантовое глубокое обучение сверточной нейронной сети с использованием вариационной квантовой схемы. Известия ЮФУ. Технические науки. 2021. Т. 7. № 224. С. 167–174.

  4. Cong I., Choi S. Lukin M.D. Quantum convolutional neural networks. Nat. Phys. 2019. V. 15. P. 1273–1278.

  5. Kerenidis I., Landman J., Prakash A. Quantum algorithms for deep convolutional neural networks. arXiv 2019. V. arXiv. P. 1911.01117.

  6. Henderson M., Shakya S., Pradhan S., Cook T. Quanvolutional neural networks: Powering image recognition with quantum circuits. Quantum Mach. Intell. 2020. V. 2. P. 2.

  7. Rebentrost P., Mohseni M., Lloyd S. Quantum Support Vector Machine for Big Data Classification. Phys. Rev. Lett. 2014. V. 113. P. 130503.

  8. Harrow A.W., Hassidim A., Lloyd S. Quantum Algorithm for Linear Systems of Equations. Phys. Rev. Lett. 2009. V. 103. P. 150502.

  9. Dang Y., Jiang N., Hu H., Ji Z., Zhang W. Image classification based on quantum K-Nearest-Neighbor algorithm. Quantum Inf. Process. 2018. V. 17. P. 1–18.

  10. Schuld M., Sinayskiy I., Petruccione F. Prediction by linear regression on a quantum computer. Phys. Rev. A. 2016. V. 94. P. 022342.

  11. Lu S., Braunstein S.L. Quantum decision tree classifier. Quantum Inf. Process. 2014. V. 13. P. 757–770.

  12. Lloyd S., Mohseni M., Rebentrost P. Quantum algorithms for supervised and unsupervised machine learning. arXiv 2013. V. arXiv. P. 1307.0411.

  13. Lloyd S. Least squares quantization in PCM. IEEE Trans. Inf. Theory 1982. V. 28: 129–137.

  14. Kerenidis  I.,  Landman  J.,  Luongo  A.,  Prakash  A. q-means: A quantum algorithm for unsupervised machine learning. arXiv 2018. V. arXiv. P. 1812.03584.

  15. Aïmeur E., Brassard G., Gambs S. Quantum speed-up for unsupervised learning. Mach. Learn. 2013. V. 90. P. 261–287.

  16. DiVincenzo D.P. The Physical Implementation of Quantum Computation. Fortschritte der Physik. 2000. V. 48. № 9–11. P. 771–783.

  17. Lloyd S., Mohseni M., Rebentrost P. Quantum principal component analysis. Nat. Phys. 2014. V. 10. P. 631–633.

  18. Зуев С.В. Геометрические свойства квантовой запутанности и машинное обучение. Russian Technological Journal. 2023. Т. 12. № 5: в печати.

  19. Bruza P.D., Cole R.J. Quantum Logic of Semantic Space: An Exploratory Investigation of Context Effects in Practical Reasoning, 2006. Available online: https://arXiv:quant-ph/0612178 (пpocмoтpeнo 20.08.2023).

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Доклады Российской академии наук. Математика, информатика, процессы управления

Архивы выпусков Информация о журнале Отправить рукопись в журнал