Pembelajaran mesin kuantum untuk klasifikasi citra

Dua model pembelajaran mesin kuantum diperkenalkan untuk klasifikasi citra: jaringan saraf kuantum hibrida dengan sirkuit kuantum paralel yang mencapai akurasi 99,21% pada MNIST, dan model hibrida quanvolutional yang menyamai performa klasik dengan parameter lebih sedikit.

Arsenii Senokosov; Alexander Sedykh; A. Sagingalieva; Basil Kyriacou; A. Melnikov· Machine Learning: Science and Technology· 2023· DOI 10.1088/2632-2153/ad2aef

Masalah inti

Klasifikasi citra merupakan tugas penting di berbagai industri, tetapi menghadapi tantangan komputasi akibat volume data visual yang tumbuh pesat. Penelitian ini menjawab tantangan tersebut dengan memperkenalkan dua model pembelajaran mesin kuantum yang memanfaatkan mekanika kuantum untuk komputasi yang efektif. Pekerjaan ini dilatarbelakangi oleh kebutuhan akan sistem klasifikasi yang lebih efisien dan akurat, terutama pada era noisy intermediate-scale quantum (NISQ) ketika sirkuit kuantum berskala besar belum dapat diwujudkan.

Inovasi

Model pertama adalah jaringan saraf kuantum hibrida dengan sirkuit kuantum paralel, yang dirancang agar komputasi tetap dapat dilakukan meskipun jumlah qubit yang besar tidak memungkinkan. Arsitektur ini memungkinkan eksekusi pada perangkat kuantum saat ini. Model kedua memperkenalkan jaringan saraf kuantum hibrida dengan lapisan Quanvolutional, yang menurunkan resolusi citra melalui proses konvolusi. Kedua model menggabungkan lapisan klasik dan kuantum, dengan tujuan memanfaatkan keunggulan kuantum sekaligus menjaga jumlah parameter tetap rendah.

Pendahuluan

Klasifikasi citra merupakan tugas penting di berbagai industri, tetapi menghadapi tantangan komputasi akibat volume data visual yang tumbuh pesat. Penelitian ini menjawab tantangan tersebut dengan memperkenalkan dua model pembelajaran mesin kuantum yang memanfaatkan mekanika kuantum untuk komputasi yang efektif. Pekerjaan ini dilatarbelakangi oleh kebutuhan akan sistem klasifikasi yang lebih efisien dan akurat, terutama pada era noisy intermediate-scale quantum (NISQ) ketika sirkuit kuantum berskala besar belum dapat diwujudkan.

Mengapa penting

Hasil tersebut menyoroti efisiensi lapisan kuantum dalam membedakan fitur umum dari data masukan. Akurasi tinggi model sirkuit kuantum paralel dengan parameter yang jauh lebih sedikit menunjukkan bahwa lapisan kuantum dapat memberikan keunggulan efisiensi parameter. Kemampuan model Quanvolutional menyamai performa klasik dengan parameter lebih sedikit menunjukkan potensi operasi konvolusi kuantum. Kemajuan ini merupakan perkembangan dalam pembelajaran mesin kuantum dan menerangi jalan menuju sistem klasifikasi citra yang lebih akurat dan efisien, khususnya pada era NISQ.

Siapa yang sebaiknya membaca

Pembaca Research Digest dan praktisi rumpun ini.

Membuka konten member…