Effectiveness of hybrid quantum-classical and quanvolutional neural networks for image classification

Скорочена інформація про документ
dc.contributor.authorTrochun, Yevhenii
dc.contributor.authorGordienko, Yuri
dc.date.accessioned2025-04-16T11:25:54Z
dc.date.available2025-04-16T11:25:54Z
dc.date.issued2024
dc.description.abstractThe article focuses on studying the effectiveness of two different Hybrid Neural Networks (HNNs) architectures for solving real-world image classification problems. The first approach investigated in the research is a hybridization technique that allows creation of HNN based on a classical neural network by replacing a number of hidden layers of the neural network with a variational quantum circuit, which allows to reduce the complexity of the classical part of the neural network and move part of computations to a quantum device. The second approach is a hybridization technique based on utilizing quanvolutional operations for image processing as the first quantum convolutional layer of the hybrid neural network, thus building a Quanvolutional Neural Network (QNN). QNN leverages quantum phenomena to facilitate feature extraction, enabling the model to achieve higher accuracy metrics than its classical counterpart. The effectiveness of both architectures was tested on several image classification problems. The first one is a classical image classification problem of CIFAR10 images classification, widely used as a benchmark for various imagery-related tasks. Another problem used for the effectiveness study is the problem of geospatial data analysis. The second problem represents a real-world use case where quantum computing utilization can be very fruitful in the future. For studying the effectiveness, several models were assembled: HNN with a quantum device that replaces one of the hidden layers of the neural network, QNN based on quanvolutional operation and utilizes VGG-16 architecture as a classical part of the model, and also an unmodified VGG-16 was used as a reference model. Experiments were conducted to measure the models' key efficiency metrics: maximal accuracy, complexity of a quantum part of the model and complexity of a classical part of the model. The results of the research indicated the feasibility of both approaches for solving both proposed image classification problems. Results were analyzed to outline the advantages and disadvantages of every approach in terms of selected key metrics. Experiments showed that QNN architectures proved to be a feasible and effective solution for critical practical tasks requiring higher levels of model prediction accuracy and, simultaneously, can tolerate higher processing time and significantly increased costs due to a high number of quantum operations required. Also, the results of the experiments indicated that HNN architectures proved to be a feasible solution for time-critical practical tasks that require higher processing speed and can tolerate slightly decreased accuracy of model predictions.
dc.description.abstractotherСтаття присвячена дослідженню ефективності двох різних архітектур гібридних нейронних мереж (HNN) для вирішення практичних задач класифікації зображень. Перший підхід, що розглядається в дослідженні — це техніка гібридизації, яка дозволяє створювати гібридну нейронну мережу на основі класичної нейронної мережі шляхом заміни певної кількості прихованих шарів нейронної мережі на варіаційну квантову схему. Це дозволяє зменшити складність класичної частини нейронної мережі та перенести частину обчислень на квантовий пристрій, що забезпечує прискорення обчислень. Другий підхід ґрунтується на використанні кванволюційних операцій для обробки зображень як першого квантового згорткового шару гібридної нейронної мережі, створюючи таким чином кванволюційну нейронну мережу (QNN). QNN використовує квантові явища для поліпшення процесу вилучення ознак, що дозволяє моделі досягати вищих показників точності порівняно з її класичним аналогом. Ефективність обох архітектур була перевірена на кількох задачах класифікації зображень. Перша задача — це класична задача класифікації зображень CIFAR10, яка широко використовується як еталон для різних завдань, пов’язаних із зображеннями. Друга задача, що використовувалась для дослідження ефективності, стосується аналізу гео-даних. Друга задача представляє реальний випадок використання, де застосування квантових обчислень може бути дуже перспективним у майбутньому. Для дослідження ефективності було створено кілька моделей: гібридну нейронну мережу з квантовим пристроєм, який замінює один із прихованих шарів нейронної мережі; кванволюційну нейронну мережу, засновану на кванволюційній операції з архітектурою VGG-16 як класичною частиною моделі; а також немодифіковану VGG-16 як референтну модель. Було проведено експерименти для вимірювання ключових метрик ефективності моделей: максимальної точності, складності квантової частини моделі та складності класичної частини моделі. Результати дослідження підтвердили доцільність обох підходів для вирішення запропонованих задач класифікації зображень. Результати були проаналізовані для визначення переваг і недоліків кожного з підходів за обраними ключовими метриками. Експерименти показали, що архітектури QNN виявилися доцільним та ефективним рішенням для критично важливих практичних задач, які потребують високого рівня точності роботи та можуть допускати як збільшення часу обробки, так і значне зростання вартості через велику кількість необхідних квантових операцій. Також результати експериментів показали, що архітектури HNN є доцільним рішенням для практичних задач, де критичною є швидкість обробки, і допустиме незначне зниження точності моделі.
dc.format.pagerangePp. 68-79
dc.identifier.citationTrochun, Ye. Effectiveness of hybrid quantum-classical and quanvolutional neural networks for image classification / Yevhenii Trochun, Yuri Gordienko // Information, Computing and Intelligent systems. – 2024. – No. 5. – Pp. 68-79. – Bibliogr.: 22 ref.
dc.identifier.doihttps://doi.org/10.20535.2786-8729.5.2024/318743
dc.identifier.orcid0000-0002-2744-6681
dc.identifier.orcid0000-0003-2682-4668
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/73391
dc.language.isoen
dc.publisherNational Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
dc.publisher.placeKyiv
dc.relation.ispartofInformation, Computing and Intelligent systems, No.5
dc.subjectNeural Networks
dc.subjectQuantum Computing
dc.subjectHybrid Neural Networks
dc.subjectImage Classification
dc.subjectнейронні мережі
dc.subjectквантові обчислення
dc.subjectгібридні квантово-класичні нейронні мережі
dc.subjectкласифікація зображень
dc.subject.udc004.8
dc.titleEffectiveness of hybrid quantum-classical and quanvolutional neural networks for image classification
dc.title.alternativeЕфективність гібридних квантових та квантовозгорткових нейронних мереж для задачі класифікації зображень
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
68-79.pdf
Розмір:
1.17 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Information, Computing and Intelligent systems, No. 5