Российские физики из НИТУ МИСИС, Российского квантового центра и МГУ имени М.В. Ломоносова впервые в мире представили метод классификации фотографий с высокой точностью для 4-х классов изображений, основанный на архитектуре квантовой сверточной нейронной сети.

Для этого ученые улучшили структуру квантовой схемы и модель квантового персептрона – модель восприятия информации мозгом, которая необходима для процесса обучения нейронной сети. Статья об исследовании в области квантового машинного обучения опубликована в журнале Frontiers in Physics. 

В последнее время нейронные сети активно применяется для решения широкого круга вычислительных задач. На данном этапе мощность классических компьютеров перестает расти – это значит, что для развития машинного обучения необходим новый подход к обучению нейросетей. 

Квантовые процессоры, которые в перспективе смогут манипулировать огромными объёмами данных и превзойти классические компьютеры в определенных задачах, позволят реализовать квантовое машинное обучение.  При переходе машинного обучения на квантовые компьютеры часть процессов может ускориться в несколько раз, а другая часть — в миллионы, соответственно квантовые нейронные сети будут оперативнее и эффективнее обычных.

Методы машинного обучения уже активно используются в исследованиях в области квантовых вычислений, например, при решении задачи классификации изображений, которая является центральной в создании компьютерного зрения.

«Допустим, у вас есть несколько изображений и вам надо каким-то образом их расклассифицировать, то есть простым языком, компьютер должен посмотреть на изображение и назначить ему одну из меток. Само изображение, конечно, компьютер не видит, он видит лишь огромную сетку из чисел. Расклассифицировать изображения в таком случае поможет метод машинного обучения, который использует большую базу данных, обучаясь на них и находя какие-то паттерны в изображениях, подаваемых на вход. Данную задачу мы решаем с помощью квантового машинного обучения, которое основано на квантовых сверточных нейронных сетях и видим потенциал развития данного подхода», — рассказала Алёна Мастюкова, младший научный сотрудник лаборатории квантовых информационных технологий НИТУ МИСИС и РКЦ.

Квантовые сверточные нейронные сети (QCNN) представляют собой ряд сверточных слоев или последовательностей квантовых операций, чередующихся со слоями объединения, которые вместе уменьшают размер хранимой информации, сохраняя при этом важные функции набора данных.

Российские физики лаборатории Квантовых информационных технологий Университета МИСИС совместно с коллегами из Российского квантового центра и МГУ имени М.В. Ломоносова впервые представили метод многоклассовой классификации изображений 4-х классов с высокой точностью, основанный на архитектуре QCNN. Исследователи усовершенствовали оптимизированную структуру квантовой схемы и квантовую модель персептрона — математическую или компьютерную модель восприятия информации мозгом в виде некоторой логической схемы с переходами, ассоциативными и реагирующими элементами, которая является элементарным блоком нейронной сети. Предложенный классификатор ученые тестировали на различных выборках из четырех изображений рукописных цифр или фотографий одежды и обуви.

«Мы впервые реализовали предложенный подход для решения задачи классификации 4-х классов изображений – рукописные цифры и предметы одежды, используя восемь кубитов для кодирования данных и четыре вспомогательных кубита. Соответствующая процедура машинного обучения была реализована в виде гибридной квантово-классической (вариационной) модели. Данный подход можно реализовать как на эмуляторах, так и на реальных квантовых процессорах. Квантовое машинное обучение – одно из наиболее интересных направлений применений квантовых компьютеров», — пояснил Алексей Федоров заведующий лабораторией квантовых информационных технологий НИТУ МИСИС и РКЦ.

Полученные результаты показывают, что высокая точность решения предложенного метода аналогична точности классических сверточных нейронных сетей с сопоставимым количеством обучаемых параметров. 

В дальнейшем ученые планируют сделать дальнейшую оптимизацию персептрона более эффективной, чтобы задачи классификации решались существенно быстрее, чем классическими методами. 

Исследование было выполнено в рамках стратегического направления «Квантовый интернет» Программы «Приоритет 2030», гранта Российского научного фонда и Дорожной карты по развитию квантовых вычислений.

24 ноября, 2022

Подписаться на новости BIS Journal / Медиа группы Авангард

Подписаться
Введите ваш E-mail

Отправляя данную форму вы соглашаетесь с политикой конфиденциальности персональных данных

19.06.2024
Технологический суверенитет: инновации, импортозамещение, кадры
19.06.2024
Мнение: Контроль чужих данных до их безопасной передачи подрывает саму суть шифрования
19.06.2024
Мошенники могут получать ПДн россиян из слитых медицинских баз
19.06.2024
Заходят как-то айтишник, банкир и преподаватель вуза в бар…
18.06.2024
ИИ в «Авроре»? Либо внутри устройства, либо в отечественном «облаке»
18.06.2024
ФНС автоматизирует присвоение налогового резидентства
18.06.2024
Сразу два приложения «Сбера» появилось в App Store. Выбирай мудро
18.06.2024
«При отсутствии просрочек по кредиту человек может ещё и потерять
17.06.2024
Скамерские новинки: «таможенный сбор» и «расследование мошенничества»
17.06.2024
Минэк — о порядке раскрытия данных госведомств для обучения нейросетей

Стать автором BIS Journal

Поля, обозначенные звездочкой, обязательные для заполнения!

Отправляя данную форму вы соглашаетесь с политикой конфиденциальности персональных данных