Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Αναλογικά και ψηφιακά κβαντικά νευρωνικά δίκτυα: Βασικές αρχές και εφαρμογές

Kastellakis Antonios

Πλήρης Εγγραφή

---

Περίληψη

Στο πλαίσιο αυτής της διπλωματικής διερευνούμε πώς η εξέλιξη των κβαντικών υπολογιστών μπορεί να προσφέρει έναν νέο, δυνητικά πιο ισχυρό, τρόπο μηχανικής μάθησης. Ξεκινάμε την συζήτηση με το να ορίσουμε τα βασικά στοιχεία του κβαντικού υπολογισμού. Αυτό περιλαμβάνει τα δομικά στοιχεία ενός κβαντικού υπολογιστή, όπως τα κβαντικά bit και τις πύλες, αλλά και τα αξιώματα τηςκβαντικής μηχανικής, που καθορίζουν τη συμπεριφορά τους. Στη συνέχεια, αναφερόμαστε στο πεδίο της μηχανικής μάθησης, όπου διερευνούμε τις βασικές μεθόδους μηχανικής μάθησης με επίκεντρο τα νευρωνικά δίκτυα ως μοντέλα παραγωγής. Για το σκοπό αυτό, Για το σκοπό αυτό, εισάγουμε έναν ειδικό τύπο νευρωνικού δικτύου που βασίζεται στην ενέργεια, την Περιορισμένη Μηχανή Boltzmann (RBM). Συζητάμε όχι μόνο το θεωρητικό υπόβαθρο της RBM, αλλά παρουσιάζουμε επίσης ένα παράδειγμα εκπαίδευσης στο σύνολο δεδομένων MNIST που αποτελείται από χειρόγραφους αριθμούς. Στη συνέχεια, μελετάμε την Κβαντική Μηχανική Μάθηση (QML), που αποτελεί την ένωση του κβαντικού υπολογισμού με τη μηχανική μάθηση. Υπάρχουν δύο προσεγγίσεις QML, στην μια οι αλγόριθμοι QMLέχουν κβαντικό πλεονέκτημα με αποδεδειγμένη επιτάχυνση σε σχέση με τους αντίστοιχους κλασικούς, αλλά απαιτούν ανεκτικές σε σφάλματα κβαντικές συσκευές, και τα υβριδικά κλασικά-κβαντικά μοντέλα που μπορούν να εκτελεστούν σε Noisy Intermediate Scale Quantum (NISQ) συσκευές που υπάρχουν σήμερα. Τα μοντέλα κβαντικών νευρωνικών δικτύων (QuantumNeural Networks) QNN που εξετάζουμε σε αυτή τη μελέτη ανήκουν στην τελευταία περίπτωση. Παρουσιάζουμε δύο προσεγγίσεις, την ψηφιακή προσέγγιση που εξετάζει τις Κβαντικές Μηχανές Born (QCBM) και μια αναλογική προσέγγιση, η οποία αναφέρεται στην επεξεργασία κβαντικών πληροφοριών με αναλογικά κβαντικά συστήματα. Αυτά τα μοντέλα είναι κβαντικά ανάλογα τωνκλασικών νευρωνικών δικτύων που μπορούν να εκπαιδευτούν, χρησιμοποιώντας τόσο κλασικούς όσο και κβαντικούς πόρους, για να μάθουν κατανομές πιθανοτήτων. Δείχνουμε πώς μαθαίνουν από κλασικά δεδομένα και στο τέλος, προσπαθούμε να συγκρίνουμε τις δυνατότητές τους τις δυνατότητέςτους όταν μαθαίνουν το ίδιο σύνολο δεδομένων. Οι αλγόριθμοί μας έχουν υλοποιηθεί σε κλασικούς προσομοιωτές καθώς και σε πραγματικό κβαντικό επεξεργαστή που διατίθεται στο cloud από την IBM.

Διαθέσιμα αρχεία

Υπηρεσίες