Рассмотрена цель машинного обучения состоит в том, чтобы обучить компьютер извлекать определенные свойства из заданного набора данных без явного кодирования или набора правил, а затем использовать полученные результаты для изучения этих свойств в новых данных в целях прогнозирования, классификации или построения модели исследуемого объекта. Обсуждаются наиболее популярные модели машинного обучения такие как контролируемое обучение (supervised learning) или обучение с учителем, при котором машина предварительно обучается с использованием некоторых помеченных данных. Другие формы обучения, такие как неконтролируемое и с подкреплением (unsupervised and reinforced), также широко изучались и применялись в различных областях. Тремя наиболее широко используемыми алгоритмами контролируемого машинного обучения, относящимися к квантовым вычислениям, являются (a) нейронная сеть (NN - neural networks) для синтеза квантовой логики, физического отображения и декодирования квантовых ошибок, протокол QKD (quantum key distribution), квантовый ускоритель ML, квантовые нейронные сети (QNN - quantum neural networks); (б) Обучение с подкреплением (RL) для декодирования квантовых ошибок и (в) Метод опорных векторов (или SVM - support vector machine) для квантового машинного обучения. В исследовании также обсуждаются различные модели обучения ML, включая метод случайного поиска для квантовой коммуникации. Работа рассчитана на повышение квалификации ИТ - специалистов, применяющих методы «сильного» ИИ.
Идентификаторы и классификаторы
Подобно методам ядра, квантовое вложение преобразует наблюдения в классическом пространстве данных в квантовое гильбертово пространство квантовых состояний, которое может быть представлено внутренним произведением квантовых представлений. Представлена архитектура модели квантового машинного обучения, сформированной из выбранного набора квантовых схем. Схема - анзатц играет решающую роль в модели схемы, обеспечивая веса модели обучения w в соответствии с входными данными x. Классические данные передаются на классический головной процессор (обычно состоящий из (или более) центральных процессоров (CPU), графических процессоров (GPU) и оперативной памяти (RAM)), который взаимодействует с QPU. На QPU выполняется квантовая схема. Эта схема управляется функциями и вариационными параметрами классического головного процессора. Признаки в этом контексте относятся к соответствующим образом предварительно обработанным классическим точкам данных, которые могут быть закодированы в схеме с помощью подходящей комбинации элементов таким образом, что результирующее квантовое состояние содержит соответствующую информацию, например, в виде амплитуд или углов.
Список литературы
1. A high-bias, low-variance introduction to Machine Learning for physicists / P. Mehta [et al.] // Physics Reports. - 2019. - Vol. 810. - Pp. 1-124. -. DOI: 10.1016/j.physrep.2019.03.001 EDN: WZCLUH
2. Machine learning and the physical sciences / G. Carleo [et al.] // Reviews of modern physics. - 2019. - Vol. 91. - No 4. -. DOI: 10.1103/RevModPhys.91.045002 EDN: COYYAJ
3. AI for Next Generation Computing: Emerging Trends and Future Directions / S. S. Gill [et. al.] // arXive.org e-Print archive. - arXiv:2203.04159v1 [cs.DC] 5 Mar 2022.
4. Coles P. Thermodynamic AI and the uctuation frontier // arXive.org e-Print archive. - arXiv:2302.06584v1 [cs.ET] 9 Feb 2023.
5. Intelligent Computing: The Latest Advances, Challenges and Future / Sh. Zhu [et al.] // arXive.org e-Print archive. - arXiv:2211.11281v1 [cs.AI] 21 Nov 2022.
6. Jha R. G. Notes on Quantum Computation and information // arXive.org e-Print archive. - arXiv:2301.09679v1 [quant-ph] 23 Jan 2023.
7. Dunjko V. Briegel H.J. Machine learning & artificial intelligence in the quantum domain: a review of recent progress // Reports on Progress in Physics. - 2018. - Vol. 81. - No 7. - Pp. 074001.-. DOI: 10.1088/1361-6633/aab406 EDN: MCVKNV
8. Carrasquilla J. Machine learning for quantum matter // Advances in Physics X. - 2020. - Vol. 5. - No 1. - Pp. 1797528. -. DOI: 10.1080/23746149.2020.1797528 EDN: HQTPYP
9. Wittek P. Quantum Machine Learning: What Quantum Computing Means to Data Mining. - Elsevier. - 2014.
10. Quantum machine learning for chemistry and physics / M. Sajjan [et al.] // Chemical Society Reviews. - 2022. - Vol. 51. - Pp. 6475. -. DOI: 10.1039/d2cs00203e EDN: BHXARE
11. Haney B.S. Quantum machine learning: a patent review // JOURNAL OF LAW, TECHNOLOGY & THE INTERNET. - 2021. - Vol. 12 - No. 5.
12. Potential Applications of Quantum Computing at Los Alamos National Laboratory v0.1.0 / A. Bärtschi [et al.] // arXive.org e-Print archive. - arXiv: 2406.06625v1 [quant-ph] 7 Jun 2024.
13. Carlesso M. Lecture Notes on Quantum Algorithms in Open Quantum Systems // arXive.org e-Print archive. - arXiv:2406.11613v1 [quant-ph] 17 Jun 2024.
14. sQUlearn - A Python Library for Quantum Machine Learning / D. A. Kreplin [et al.] // arXive.org e-Print archive. - arXiv:2311.08990v1 [quant-ph] 15 Nov 2023.
15. Sahu H., Gupta H. P. Quantum Computing Toolkit From Nuts and Bolts to Sack of Tools // arXive.org e-Print archive. - arXiv:2302.08884v1 [quant-ph] 17 Feb 2023.
16. A Herculean task: Classical simulation of quantum computers / X. Xu [et al.] // arXive.org e-Print archive. - arXiv:2302.08880v1 [quant-ph] 17 Feb 2023.
17. Quantum Machine Learning for 6G Communication Networks: State-of-the-Art and Vision for the Future/ S. J. Nawaz [et al.] // IEEE Access. - 2019. - Vol.7. - Pp. 46317-46350. -. DOI: 10.1109/ACCESS.2019.2909490 EDN: IQLETB
18. Bötticher A., Seskir Z. C., Ruhland J.Introducing a Research Program for Quantum Humanities - Theoretical Implications // arXive.org e-Print archive. - arXiv:2212.12947 [physics.soc-ph] 25 Dec 2022.
19. Chen S.Y.-C., Yoo S. Federated Quantum Machine Learning // Entropy. - 2021. - Vol. 23. - No 4. - Pp. 460. -. DOI: 10.3390/e23040460 EDN: MGQEQQ
20. Quantum Federated Learning Experiments in the Cloud with Data Encoding / Sh. R. Pokhrel [et al.] // arXive.org e-Print archive. - arXiv:2405.00909v1 [cs.LG] 1 May 2024.
21. Quantum Distributed Deep Learning Architectures: Models, Discussions, and Applications / Y. Kwak [et al. // arXive.org e-Print archive. - arXiv:2202.11200v3 [quant-ph] 7 Apr 2022.
22. Abbas Ф. еt al. The power of quantum neural networks // Nature computational science. - 2021. - Vol. 1. - Pp. 403-409. -. DOI: 10.1038/s43588-021-00084-1 EDN: ABBFUF
23. Oh S., Choi J., Kim J. A Tutorial on Quantum Convolutional Neural Networks (QCNN) // arXive.org e-Print archive. - arXiv:2009.09423v1 [quant-ph] 20 Sep 2020.
24. A Review of Barren Plateaus in Variational Quantum Computing / M. Larocca [et al.] // arXive.org e-Print archive. - arXiv:2405.00781v1 [quant-ph] 1 May 2024.
25. TensorFlow Quantum: A Software Framework for Quantum Machine Learning / M. Broughton [et al.] // arXive.org e-Print archive. - arXiv:2003.02989v2 [quant-ph] 26 Aug 2021.
26. Quantum Federated Learning with Entanglement Controlled Circuits and Superposition Coding / W. J. Yun [et al.] // arXive.org e-Print archive. - arXiv:2212.01732v1 [quant-ph] 4 Dec 2022.
27. Tensor Circuit: a Quantum Software Framework for the NISQ Era / S.-X. Zhang [et al.] // arXive.org e-Print archive. - arXiv:2205.10091v2 [quant-ph] 27 Jan 2023.
28. Kulkarni V., Pawale S., Kharat A. A Classical-Quantum Convolutional Neural Network for Detecting Pneumonia from Chest Radiographs // arXive.org e-Print archive. - arXiv:2202.10452v1 [cs.CV] 19 Feb 2022.
29. Hur T., Araujo I. F., Park D. K. Neural Quantum Embedding: Pushing the Limits of Quantum Supervised Learning // arXive.org e-Print archive. - arXiv:2311.11412v1 [quant-ph] 19 Nov 2023.
30. Nguyen N., Chen K.-C. Quantum Embedding Search for Quantum Machine Learning // arXive.org e-Print archive. - arXiv:2105.11853v1 [quant-ph] 25 May 2021.
31. Explainable Quantum Machine Learning / R. Heese [et al.] // arXive.org e-Print archive. - arXiv:2301.09138v1 [quant-ph] 22 Jan 2023.
32. Quantum Machine Learning: Foundation, New Techniques, and Opportunities for Database Research / T. Winker [et al.] // SIGMOD-Companion ’23, June 18-23, 2023, Seattle, WA, USA. - 2023. - Pp. 45-52. -. DOI: 10.1145/3555041.3589404
33. Li Weikang, Lu Zhide, Deng Dong-Ling. Quantum neural network classi ers: A tutorial // SciPost Physics Lecture Notes. - 2022. - Vol. 61. -. DOI: 10.21468/SciPostPhysLectNotes.61
34. Generative Modeling with Quantum Neurons / K. Gili, R. S. Kumar, M. Sveistrys, C. J. Ballance // arXive.org e-Print archive. - arXiv:2302.00788v1 [quant-ph] 1 Feb 2023.
35. Gili K., Sveistrys M., Balance C.Introducing Non-Linear Activations into Quantum Generative Models // arXive.org e-Print archive. - arXiv:2205.14506v4 [quant-ph] 8 Dec 2022.
36. A Survey on Quantum Reinforcement Learning / N. Meyer [et al.] // arXive.org e-Print archive. - arXiv:2211.03464v1 [quant-ph] 7 Nov 2022.
37. Variational quantum algorithms / M. Cerezo [et al.] // Nature reviews physics. - 2021. - Vol. 3. - Pp. 625-644. -. DOI: 10.1038/s42254-021-00348-9 EDN: YHENTA
38. Noisy intermediate-scale quantum algorithms / K. Bharti [et al.] // Reviews of Modern Physics. - 2022. - Vol. 94. - No 1. - Pp. 015004-1-015004-69. -. DOI: 10.1103/RevModPhys.94.015004 EDN: PXMLJX
Выпуск
Другие статьи выпуска
Статья посвящена исследованию возможностей искусственного интеллекта (ИИ) для автоматизации рутинных задач педагогов с целью повышения качества и эффективности учебного процесса. Рассмотрены ключевые направления применения ИИ, такие как автоматизация проверки заданий, адаптивное обучение, персонализированная обратная связь и администрирование. Особое внимание уделено практическим примерам внедрения ИИ-технологий в образовательные учреждения. Результаты исследования демонстрируют, что использование ИИ позволяет оптимизировать рабочую нагрузку педагогов, улучшить взаимодействие с учащимися и повысить общую результативность образовательного процесса.
В статье рассматривается проблема резкого роста нагрузки на образовательные платформы в пиковые периоды активности во время экзаменов и начала учебного года, что приводит к перебоям в работе сервисов. В ходе исследования проведен анализ основных причин деградации производительности и предложены механизмы поддержания стабильной работы системы: резервирование ресурсов, автоматическое масштабирование в облаке, трехуровневое кэширование и оптимизация стратегий хранения и обработки данных. Особое внимание уделено возможностям внедрения описанных механизмов в архитектуру существующих систем. Реализация предложенного решения позволит устранить проблемные места и увеличит надежность и производительность образовательной платформы, при этом экономично затрачивая ресурсы.
В статье рассматриваются современные подходы к организации дистанционного управления и мониторинга в лаборатории 3D-моделирования и печати на базе локальной сети. Особое внимание уделяется вопросам автоматизации процесса, удаленного контроля параметров печати и диагностики оборудования. Анализируются существующие решения и перспективы их применения в образовательных учреждениях. Результаты данной работы могут повысить эффективность 3D-печати и лаборатории в целом и расширить возможности взаимодействия между участниками образовательного процесса.
В статье рассматривается концепция подключаемой рекомендательной системы заданий, предназначенной для персонализации образовательного процесса. В условиях цифровой трансформации образования традиционные образовательные платформы и системы управления обучением (LMS) часто не предоставляют достаточно гибких инструментов для адаптации контента под индивидуальные потребности студентов. В ответ на эту проблему предлагается создание рекомендательной системы, которая интегрируется с внешними образовательными модулями, такими как тренажеры, и использует цифровой профиль студента для анализа его образовательных потребностей. Цифровой профиль включает академические данные, поведенческие паттерны и психолого-физиологические показатели, что позволяет системе более точно прогнозировать потребности учащегося и предлагать соответствующие задания. Также рассматриваются методы кластеризации, используемые для группировки студентов с похожими характеристиками, и проблемы, связанные с «холодным стартом» системы. Описанная архитектура системы, основанная на модульности и масштабируемости, позволяет гибко интегрировать различные образовательные сервисы и обеспечивать персонализированное взаимодействие с учащимися. Разработанная система обещает значительно повысить эффективность учебного процесса, улучшая подход к обучению каждого студента.
Рассмотрены возможности применения интеллектуальной системы управления (ИСУ) беспилотным воздушным судном (БВС). Подробно представлены этапы проектирования встраиваемой ИСУ на основе технологии квантовых и мягких вычислений. В частности, описывается возможность обучения реального БВС со встроенным генетическим алгоритмом, раскрыты варианты применения математического моделирования для извлечения обучающего сигнала. Особое внимание уделено программным инструментариям - «Оптимизаторам баз знаний на мягких и квантовых вычислениях», которые применяются для проектирования встраиваемой самоорганизующейся квантовой ИСУ в непредвиденных ситуациях управления. Представлены эффекты полученные за счет применения квантовых самоорганизующихся контроллеров, встроенных в контур управления ИСУ. Показано квантовое преимущество и превосходство ИСУ над классическими и нечеткими системами управления.
Работа посвящена решению задачи прореживания нейронной сети, целью которой является уменьшение количества параметров сети при сохранении высокой точности ее работы на тестовой выборке. Проводится обзор существующих методов прореживания, которые принадлежат к разным группам подходов в зависимости от их свойств, таких как зависимость от входных данных и необходимость рассмотрения каналов сети в совокупности. Для решения поставленной задачи предлагаются подходы к сравнению каналов сети, на основе результатов которого происходит выбор удаляемых параметров. Подходы основаны на выборе эффективной метрики оценки близости каналов и кластеризации каналов. Описываются методы прореживания с использованием предложенных подходов. Рассматриваются детали программной реализации методов. Приводятся результаты экспериментального исследования эффективности предложенных методов.
Работа посвящена проблеме повышения эффективности масочного автоэнкодера за счет разработки стратегии маскирования изображений, которая учитывала бы расположение объектов на изображении и позволяла бы скрыть как можно меньше семантически важной информации. В статье представлен обзор существующих методов маскирования изображений, включая стратегии как с учетом, так и без учета структуры изображения. Предложена стратегия наложения масок на основе алгоритма поиска объектов, анализирующего элементарные характеристики фрагментов изображений. Исследование проводится на примере масочного автоэнкодера с ViT в качестве энкодера. Сравнивается эффективность обучения энкодера с использованием предложенной стратегии и с использованием стратегии случайного маскирования изображений.
В работе рассматривается один из этапов определения кода товарной номенклатуры внешнеэкономической деятельности для товаров, входящих в целевую группу «обувь», состоящий в анализе изображений товарных позиций, присутствующих в сопроводительных документах. Приведено обоснование применения сверточных нейронных сетей для классификации изображений. Рассмотрены возможные подходы к построению специализированных нейросетевых классификаторов. Проведен сравнительный анализ эффективности подходов, основанных на дообучении существующих классификаторов (transfer learning) и на построении сверточных сетей, обученных только на размеченных данных выбранного товарного ассортимента. Исследованы вопросы получения обучающей выборки путем парсинга специализированных сайтов и получения элементов выборки с помощью систем искусственного интеллекта, специализирующихся на генерации изображений по запросу.
Издательство
- Издательство
- ДУБНА
- Регион
- Россия, Дубна
- Почтовый адрес
- 141980 г.Дубна Московской обл., ул.Университетская, 19
- Юр. адрес
- 141980 г.Дубна Московской обл., ул.Университетская, 19
- ФИО
- Деникин Андрей Сергеевич (ИСПОЛНЯЮЩИЙ ОБЯЗАННОСТИ РЕКТОРА)
- E-mail адрес
- rector@uni-dubna.ru
- Контактный телефон
- +8 (496) 2166001