МИСиС, РКЦ и МГУ: Квантовая нейросеть для распознавания изображений

Основная статья:

• Нейросети (нейронные сети)
• Компьютерное зрение (машинное зрение)
• Машинное обучение (Machine Learning)

2022: Метод классификации фотографий на базе квантовой сверточной нейросети

Российские физики лаборатории Квантовых информационных технологий Университета МИСИС, Российского квантового центра и МГУ имени М.В. Ломоносова впервые представили метод классификации фотографий с высокой точностью для 4-х классов изображений, основанный на архитектуре квантовой сверточной нейронной сети (QCNN). Об этом TAdviser сообщили представители НИТУ МИСИС 24 ноября 2022 года.

Для этого ученые улучшили 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.

Предложенный классификатор ученые тестировали на различных выборках из четырех изображений рукописных цифр или фотографий одежды и обуви

В последнее время нейронные сети активно применяются для решения широкого круга вычислительных задач. Между тем, мощность классических компьютеров перестает расти – по мнению экспертов, 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, считают ученые.

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.Рынок ИТ-услуг в России: оценки, тренды, крупнейшие участники. Обзор и рейтинг TAdviser 298.8 т

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

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.

Статья об исследовании в области квантового машинного обучения опубликована в журнале Frontiers in Physics.