Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Κβαντική μηχανική μάθηση, εφαρμογές και υλοποίηση σε κβαντικό Hardware

Skordias Themistoklis-Io

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/86D3B384-EB1C-4FD6-B956-A562E3A64E11-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.86653-
Γλώσσαel-
Μέγεθος118 σελίδεςel
Μέγεθος5.8 megabytesen
ΤίτλοςΚβαντική μηχανική μάθηση, εφαρμογές και υλοποίηση σε κβαντικό Hardware el
ΤίτλοςQuantum machine learning, applications and implementation in quantum Hardwareen
ΔημιουργόςSkordias Themistoklis-Ioen
ΔημιουργόςΣκορδιας Θεμιστοκλης-Ιωel
Συντελεστής [Επιβλέπων Καθηγητής]Aggelakis Dimitriosen
Συντελεστής [Επιβλέπων Καθηγητής]Αγγελακης Δημητριοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Ellinas Dimosthenisen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Ελληνας Δημοσθενηςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Chalkiadakis Georgiosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Χαλκιαδακης Γεωργιοςel
Συντελεστής [Βοηθός Καθηγητή]Kalogerakis Michailen
Συντελεστής [Βοηθός Καθηγητή]Καλογερακης Μιχαηλel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠερίληψηΗ διπλωματική αυτή εργασία ασχολείται με θέματα κλασσικής και κβαντικής μηχανικής μάθησης. Αρχικά, ξεκινάμε παρουσιάζοντας τα βασικά στοιχεία του κβαντικού υπολογισμού, την έννοια του qubit, τις κβαντικές πύλες ενός και δύο qubits, τον κβαντικό εναγκαλισμό, καθώς και πως λειτουργούν μερικοί από τους βασικούς κβαντικούς αλγορίθμους, όπως ο αλγόριθμος του Deutsch. Ύστερα αναλύουμε λεπτομερώς τα μαθηματικά δύο σημαντικών κβαντικών προχωρημένων αλγορίθμων. Του κβαντικού αλγορίθμου του μετασχηματισμού Fourier και αυτού της εκτίμησης φάσης. Στη συνέχεια, παρουσιάζουμε τις κατηγορίες της κλασσικής μηχανικής μάθησης και πιο συγκεκριμένα τον κλασσικό αλγόριθμο της Ανάλυσης Κύριων Συνιστωσών(PCA), ο οποίος χρησιμοποιείται για τη μείωση συνιστωσών σε πολύπλοκα προβλήματα ανάλυσης δεδομένων. Στο κεντρικό κομμάτι της διπλωματικής αναλύουμε τον κβαντικό αλγόριθμο της Ανάλυσης Κύριων Συνιστωσών(QPCA), παρουσιάζοντας λεπτομερώς τις απαιτούμενες κβαντικές πύλες, τα βήματα και τα κβαντικά κυκλώματα που χρειάστηκαν. Επίσης, συζητάμε τις αναμενόμενες επιταχύνσεις σε σύγκριση με την κλασσική περίπτωση. Ακόμα, στο κεντρικό κομμάτι της διπλωματικής παρουσιάζουμε τις υλοποιήσεις και την σύγκριση και των δύο αλγορίθμων, χρησιμοποιώντας τους διαθέσιμους κβαντικούς υπολογιστές της ΙΒΜQ και την κβαντική γλώσσα προγραμματισμού QSkit, καθώς και δικούς μας προσομοιωτές σε γλώσσα Python. Ένα παράδειγμα με πραγματικά δεδομένα χρησιμοποιείται για να συγκρίνει την επίδοση σε κάθε περίπτωση και για να αναλύσει τις διαφορές και τα πλεονεκτήματα της κβαντικής περίπτωσης σε σύγκριση με την κλασσική.el
ΠερίληψηThis thesis deals with the interface of classical and quantum machine learning. We start by introducing the basic principles of quantum computation, the notion of a qubit, single and two qubit gates, entanglement, as well as the workings of some of the basic quantum algorithms such as the Deutsch algorithm. As a next step we discuss in detail the mathematics of the two building blocks of advanced quantum algorithms, the quantum phase estimation and quantum fourier transform. We then proceed by reviewing the classical machine learning methods and more specifically the Principal Component Analysis algorithm used in the reducing the number of features in complex data analytics problems. In the main part of the thesis, we analyze the quantum Principal Component Analysis algorithm, present in detail the required quantum gates, steps, and circuits involved and also discuss the expected speed ups compared to the classical case. In this main part, we also present implementation and comparison of both algorithms using online prototype available quantum computers by IBM Q using the QSkit quantum programming language, as well our own simulators in Python. An example using real data is used to compare the performance in each case, and to illustrate the differences and advantages of the quantum case compared to the classical one.en
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2020-09-09-
Ημερομηνία Δημοσίευσης2020-
Θεματική ΚατηγορίαΚβαντομηχανικήel
Θεματική ΚατηγορίαΜηχανική μάθησηel
Θεματική ΚατηγορίαQuantum computingen
Θεματική ΚατηγορίαMachine learningen
Βιβλιογραφική ΑναφοράΘεμιστοκλής-Ιωάννης Σκορδιάς, "Κβαντική μηχανική μάθηση, εφαρμογές και υλοποίηση σε κβαντικό Hardware ", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2020el
Βιβλιογραφική ΑναφοράThemistoklis-Ioannis Skordias, "Quantum machine learning, applications and implementation in quantum Hardware", Diploma Work, School of Electrical & Computer Engineering,Technical Univesity of Crete, Chania, Greece, 2020en

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά