КВАНТОВОЕ ГЛУБОКОЕ ОБУЧЕНИЕ СВЁРТОЧНОЙ НЕЙРОННОЙ СЕТИ С ИСПОЛЬЗОВАНИЕМ ВАРИАЦИОННОЙ КВАНТОВОЙ СХЕМЫ

  • С.М. Гушанский Южный федеральный университет
  • В. Е. Буглов Южный федеральный университет
Ключевые слова: Квантовые вычисления, глубокое обучение, свёрточная нейронная сеть, вариационная квантовая схема, исчезающий градиент, алгоритм

Аннотация

Квантовый компьютинг в общем и квантовое глубокое обучение, в частности, пред-
ставляют собой перспективную область, связанную с исследованиями современных мето-
дов и алгоритмов квантовых вычислений, применяемых с целью обучения и разработки
новых архитектур искусственных нейронных сетей. В последнее время наблюдается тен-
денция, состоящая в том, что исследования, проводимые в области квантового глубокого
обучения, получают всё большее распространение среди специалистов. Это можно объяс-
нить тем, что было установлено – квантовые схемы способны функционировать подобно
искусственным нейронным сетям, демонстрируя при этом лучшие результаты при реше-
нии ряда задач, среди которых, например, актуальная задача классификации объектов на
изображении или в видеопотоке. Благодаря стремительному развитию квантовых вычис-
лений в области глубокого обучения были найдены оптимальные способы решений для та-
ких актуальных задач, как – проблема исчезающего градиента, нахождение локального
минимума, повышение эффективности функционирования крупномасштабных параметри-
ческих алгоритмов машинного обучения, устранение декогеренции и квантовых ошибок и
пр. В рамках данной работы описан процесс функционирования квантовой вариационной
схемы, установлены её основные характеристики и выявлены недостатки. Также проана-
лизированы ключевые особенности квантовых вычислений, на которых основывается про-
цесс реализации квантового глубокого обучения с подкреплением свёрточной нейросети.
Кроме того, осуществлено квантовое глубокое обучение свёрточной нейронной сети с по-
мощью применения вариационной квантовой схемы, что приводит к повышению произво-
дительности свёрточной нейросети в решении задачи обработки изображения, а именно
его классификации, за счёт использования квантовой среды вычислений. Актуальность
данной статьи состоит в реализации алгоритма квантового глубокого обучения с подкре-
плением свёрточной нейросети для обработки изображений, а также большом значении
тематики данного исследования для будущей разработки квантовых вычислительных уст-
ройств, которые могут быть использованы в системах искусственного интеллекта и т.п.,
что соответствует приоритетному направлению развития отечественной науки.

Литература

1. Park J., Samarakoon S., Elgabli A., Kim J., Bennis M., Kim S.-L., and Debbah M. Communication-
efficient and distributed learning over wireless networks: Principles and applications,
Proceedings of the IEEE, May 2021, Vol. 109, No. 5, pp. 796-819.
2. Choi J., Oh S., and Kim J. Energy-efficient cluster head selection via quantum approximate
optimization, Electronics, 2020, Vol. 9, No. 10.
3. Cong I., Choi S., and. Lukin M.D. Quantum convolutional neural networks, Nature Physics,
2019, Vol. 15, No. 12, pp. 1273-1278.
4. Preskill J. Quantum computing in the nisq era and beyond, Quantum, 2018, Vol. 2, pp. 79.
5. Oh S., Choi J., and Kim J. A tutorial on quantum convolutional neural networks (QCNN), in Proceedings
of the IEEE International Conference on Information and Communication Technology Convergence
(ICTC), 2020, pp. 236-239.
6. Gushanskiy S.M., Kozlovskiy A.V., Buglov V.E. Kvantovaya obrabotka izobrazheniy [Quantum image
processing], Tekhnologii razrabotki informatsionnykh sistem TRIS-2019: Mater. IX Mezhdunarodnoy
nauchno-tekhnicheskoy konferentsii [Technologies for the development of information systems
TRIS-2019: Materials of the IX International Scientific and Technical Conference]. Gelendzhik: Izdvo
YuFU, 2019, pp. 217-222.
7. Gushanskiy S.M., Buglov V.E., Podoroga E.A. Analiz protsessov obucheniya i ispol'zovaniya
kvantovykh neyronnykh setey [Analysis of learning processes and the use of quantum neural networks],
Nauka, tekhnologii, obshchestvo – NTO-2021: Sb. nauchnykh statey po materialam
Vserossiyskoy nauchnoy konferentsii [Science, technology, society - NTO-2021: Collection of scientific
articles based on the materials of the All-Russian Scientific Conference]. Krasnoyarsk: Izd-vo
obshchestvennogo uchrezhdeniya «Krasnoyarskiy kraevoy Dom nauki i tekhniki Rossiyskogo soyuza
nauchnykh i inzhenernykh obshchestvennykh ob"edineniy», 2021, pp. 29-34.
8. Gushanskiy S.M., Gorbunov A.V., Pereverzev V.A. Primenimost' kvantovykh neyronnykh setey dlya
zadach raspoznavaniya i obnaruzheniya obrazov [Applicability of quantum neural networks for
pattern recognition and detection problems], Vestnik Adygeyskogo gosudarstvennogo universiteta
[Bulletin of the Adygea State University], pp. 59-68.
9. Chen S.Y.-C., Yang C.-H.H., Qi J., Chen P.-Y., Ma X., and Goan H.-S. Variational quantum
circuits for deep reinforcement learning, IEEE Access, 2020, Vol. 8, pp. 141007-141024.
10. Garg S. and Ramakrishnan G. Advances in quantum deep learning: An overview, arXiv preprint
arXiv:2005.04316, 2020.
11. Bausch J. Recurrent quantum neural networks, Advances in Neural Information Processing
Systems, 2020, Vol. 33.
12. Guzik V.F., Gushanskiy S.M., Potapov V.S. Razrabotka i issledovanie kvantovykh mode-ley
preobrazovaniya izobrazheniy [Development and research of quantum models of image transformation],
Tr. uchebnykh zavedeniy svyazi [Proceedings of educational institutions of communication].
Founders: St. Petersburg State University of Telecommunications named after Prof.
M.A. Bonch-Bruevich, 2021, pp. 20-30.
13. Gushanskiy S.M., Potapov V.S. Realizatsiya kvantovogo algoritma obnaruzheniya granits ob"ektov i
kraev izobrazheniya [Implementation of a quantum algorithm for detecting object boundaries and image
edges], Inzhenernyy vestnik Dona [Engineering Bulletin of the Don]. Founders: Rostov regional
branch of the All-Russian public organization "Russian Engineering Academy", 2021, pp. 204-209.
14. Altayskiy M.V., Kaputkina N.E., Krylov V.A. Kvantovye neyronnye seti: sovremennoe sostoyanie i
perspektivy razvitiya [Quantum neural networks: current state and prospects of development],
Fizika elementarnykh chastits i atomnogo yadra [Physics of elementary particles and atomic nucleus],
2014, Vol. 45, Issue 5-6, pp. 1-43.
15. Gushanskiy S.M., Guzik V.F., Lyapuntsova E.V. Kvantovyy komp'yuting: ucheb. posobie [Quantum
computing: a textbook]. Taganrog: Izd-vo YuFU, 2012, 120 p.
16. Alchieri L., Badalotti D., Bonardi P., Bianco S. An introduction to quantum machine learning:
from quantum logic to quantum deep learning, Quantum Machine Intelligence, 2021, Part 3
(Scopus).
17. Potapov V., Gushansky S, Samoylov A., Polenov M. The Quantum Computer Model Structure
and Estimation of the Quantum Algorithms Complexity, Computational Methods in Systems and
Software 2018 (CoMeSySo 2018), September 2018: Proceedings Advances in Intelligent Systems
and Computing. Vol. 859. Springer Nature Switzerland AG, 2019 pp. 307-315. (Scopus; Warsaw,
Poland).
18. SkillFactory. Realizuem i sravnivaem optimizatory modeley v glubokom obuchenii [SkillFactory.
We implement and compare model optimizers in deep learning]. Available at:
https://habr.com/ru/company/skillfactory/blog/525214/ (accessed 29 November 2021).
19. Kryzhanovskiy A.V, Gushanskiy S.M. Issledovanie kvantovykh algoritmov obnaruzheniya i
raspoznavaniya lits s pomoshch'yu kvantovoy neyroseti [Investigation of quantum algorithms for face
detection and recognition using a quantum neural network], Fundamental'nye i prikladnye aspekty
komp'yuternykh tekhnologiy i informatsionnoy bezopasnosti: Mater. VII Vserossiyskoy nauchnotekhnicheskoy
konferentsii [Fundamental and applied aspects of computer technology and information
security: Materials of the VII All-Russian Scientific and Technical Conference]. Taganrog:
Izd-vo YuFU, 2021, pp. 346-349.
20. Dunjko V. and Briegel H.J. Machine learning & artificial intelligence in the quantum domain:
A review of recent progress, Rep. Prog. Phys., June 2018, Vol. 81, pp. 074001
Опубликован
2022-03-02
Выпуск
Раздел
РАЗДЕЛ III. ОБРАБОТКА ИНФОРМАЦИИ В РАСПРЕДЕЛЕННЫХ, РЕКОНФИГУРИРУЕМЫХ И НЕЙРОСЕТЕ