Метод гібридизації квантових та класичних обчислень для завдань штучного інтелекту

Скорочена інформація про документ
dc.contributor.advisorГордієнко, Юрій Григорович
dc.contributor.authorХмельницький, Арсеній Андрійович
dc.date.accessioned2022-07-15T12:18:39Z
dc.date.available2022-07-15T12:18:39Z
dc.date.issued2022
dc.description.abstractАктуальність. Штучний інтелект користується широким успіхом як у наукових дослідженнях, так і в промисловості, і бізнесі. Завдяки їм стрімко розвиваються технології штучного інтелекту та з’являються все нові способи використання його в щоденному житті і для розв’язування раніше неможливих задач. Ми використовуємо інтелектуальне програмне забезпечення для автоматизації рутинної праці, розуміння мови або зображень, постановки медичних діагнозів і підтримки фундаментальних наукових досліджень. Машинне навчання, підгалузь штучного інтелекту, використовується для надання штучному інтелекту можливості «навчатися», розгортається майже усюди, де згадується штучний інтелект. Проте, не зважаючи на швидкий теоретичний і практичний прогрес машинного навчання, алгоритми, що для цього використовуються, занадто «важкі». Мета дослідження. Метою даної магістерської роботи є покращення методів глибинного машинного навчання. Об'єктом даного дослідження є підходи до глибинного навчання квантових нейронних мереж. Предметом даної роботи є аналіз методів гібридизації квантових та класичних нейронних мереж. Методи досліджень. В магістерський роботі було використано методи класичного та квантового машинного навчання та створення штучних нейронних мереж. Наукова новизна проведеного дослідження забезпечена наступними пунктами: було проведено аналіз квантових нейронних мереж у порівнянні з класичними нейронними мережами; було проведено аналіз зміни гіперпараметрів навчання квантової моделі; зроблено висновок про актуальність квантових нейронних мереж і дано оцінку сучасним прикладам їх використання; тренування проведено на хмарному провайдері Google Scholar. Практична цінність. Отримані результати можуть бути вільно використані у майбутніх дослідженнях за напрямками: побудова квантових нейронних мереж за допомогою глибинного машинного навчання; вдосконалення алгоритмів та архітектури квантових нейронних мереж.uk
dc.description.abstractenThe urgency of the problem. Artificial intelligence is widely used in research, industry and business. Thanks to them, the technologies of artificial intelligence are rapidly developing and new ways of using it in everyday life and to solve previously impossible problems are appearing. We use intelligent software to automate roine work, comprehend language or images, make medical diagnoses, and support basic research. Machine learning, a sub-branch of artificial intelligence used to enable artificial intelligence to «learn», is deployed almost everywhere artificial intelligence is mentioned. However, despite the rapid theoretical and practical progress, machine learning, the algorithms used for this are too «heavy». The purpose of the study. The purpose of this master's thesis is to improve the methods of deep machine learning of quantum neural networks. Object of the study. The object of this study are approaches to in-depth study of quantum neural networks. Subject of study. The subject of this work is the analysis of methods of hybridization of quantum and classical neural networks. Research methods and Scientific Novelty. Classical and quantum machine learning methods and the creation of artificial neural networks were used in the master's work. The scientific novelty of the study is provided by the following points: quantum neural networks were analyzed in comparison with classical neural network; the analysis of changes in the hyperparameters of quantum model learning was performed; the conclusion abo the relevance of quantum neural networks is made and the assessment of modern examples of their use is given; the training was performed on the cloud provider Google Scholar. Practical value. The obtained ress can be freely used in future research in the following areas: construction of quantum neural networks using deep machine learning; improving the algorithms and architecture of quantum neural networks.uk
dc.format.page122 с.uk
dc.identifier.citationХмельницький, А. А. Метод гібридизації квантових та класичних обчислень для завдань штучного інтелекту : магістерська дис. : 121 Інженерія програмного забезпечення / Хмельницький Арсеній Андрійович. – Київ, 2022. – 122 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/48868
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectквантові нейронні мережіuk
dc.subjectнейронні мережіuk
dc.subjectглибинне навчанняuk
dc.subjectалгоритми навчання нейронних мережuk
dc.subjectархітектура нейронних мережuk
dc.subjectкласифікація цифрuk
dc.subjectкласифікація зображеньuk
dc.subjectquantum neural networksuk
dc.subjectneural networksuk
dc.subjectdeep learninguk
dc.subjectneural networks learning algorithmsuk
dc.subjectneural networks architectureuk
dc.subjectnumbers classificationuk
dc.subjectimages classificationuk
dc.subject.udc004.056.5uk
dc.titleМетод гібридизації квантових та класичних обчислень для завдань штучного інтелектуuk
dc.typeMaster Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Khmelnytskyi_magistr.pdf
Розмір:
2.53 MB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
1.71 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ОТ)
Магістерські роботи