КВАНТОВОЕ ГЛУБОКОЕ ОБУЧЕНИЕ СВЁРТОЧНОЙ НЕЙРОННОЙ СЕТИ С ИСПОЛЬЗОВАНИЕМ ВАРИАЦИОННОЙ КВАНТОВОЙ СХЕМЫ
Аннотация
Квантовый компьютинг в общем и квантовое глубокое обучение, в частности, представляют собой перспективную область, связанную с исследованиями современных методов и алгоритмов квантовых вычислений, применяемых с целью обучения и разработки новых архитектур искусственных нейронных сетей. В последнее время наблюдается тенденция, состоящая в том, что исследования, проводимые в области квантового глубокого обучения, получают всё большее распространение среди специалистов. Это можно объяснить тем, что было установлено – квантовые схемы способны функционировать подобно искусственным нейронным сетям, демонстрируя при этом лучшие результаты при решении ряда задач, среди которых, например, актуальная задача классификации объектов на изображении или в видеопотоке. Благодаря стремительному развитию квантовых вычислений 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 помощью применения вариационной квантовой схемы, что приводит к повышению производительности 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 подкреплением свёрточной нейросети для обработки изображений, а также большом значении тематики данного исследования для будущей разработки квантовых вычислительных устройств, которые могут быть использованы в системах искусственного интеллекта и т.п., что соответствует приоритетному направлению развития отечественной науки
Список литературы
1. Park J., Samarakoon S., Elgabli A., Kim J., Bennis M., Kim S.-L., and Debbah M. Communi-cation-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 Proceed-ings of the IEEE International Conference on Information and Communication Technology Conver-gence (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: Izd-vo 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 net-works], Nauka, tekhnologii, obshchestvo – NTO-2021: Sb. nauchnykh statey po materialam Vserossiyskoy nauchnoy konferentsii [Science, technology, society - NTO-2021: Collection of scien-tific 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 pre-print 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 trans-formation], Tr. uchebnykh zavedeniy svyazi [Proceedings of educational institutions of communi-cation]. 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 im-age 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 nu-cleus], 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; War-saw, 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 nauchno-tekhnicheskoy konferentsii [Fundamental and applied aspects of computer technology and infor-mation 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.
