Метод гібридизації квантових та класичних обчислень для завдань штучного інтелекту
| dc.contributor.advisor | Гордієнко, Юрій Григорович | |
| dc.contributor.author | Хмельницький, Арсеній Андрійович | |
| dc.date.accessioned | 2022-07-15T12:18:39Z | |
| dc.date.available | 2022-07-15T12:18:39Z | |
| dc.date.issued | 2022 | |
| dc.description.abstracten | The 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.description.abstractuk | Актуальність. 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.format.page | 122 с. | uk |
| dc.identifier.citation | Хмельницький, 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.uri | https://ela.kpi.ua/handle/123456789/48868 | |
| dc.language.iso | uk | uk |
| dc.publisher | КПІ ім. Ігоря Сікорського | uk |
| dc.publisher.place | Київ | uk |
| dc.subject | квантові нейронні мережі | uk |
| dc.subject | нейронні мережі | uk |
| dc.subject | глибинне навчання | uk |
| dc.subject | алгоритми навчання нейронних мереж | uk |
| dc.subject | архітектура нейронних мереж | uk |
| dc.subject | класифікація цифр | uk |
| dc.subject | класифікація зображень | uk |
| dc.subject | quantum neural networks | uk |
| dc.subject | neural networks | uk |
| dc.subject | deep learning | uk |
| dc.subject | neural networks learning algorithms | uk |
| dc.subject | neural networks architecture | uk |
| dc.subject | numbers classification | uk |
| dc.subject | images classification | uk |
| dc.subject.udc | 004.056.5 | uk |
| dc.title | Метод гібридизації квантових та класичних обчислень для завдань штучного інтелекту | uk |
| dc.type | Master Thesis | uk |