Спосіб трансформації нейронних мереж для використання в контексті некласичних обчислень

Скорочена інформація про документ
dc.contributor.advisorЮрій, Григорович Гордієнко
dc.contributor.authorХмельницький, Арсеній Андрійович
dc.date.accessioned2026-08-31T13:30:28Z
dc.date.available2026-08-31T13:30:28Z
dc.date.issued2026
dc.description.abstractХмельницький А.А. Спосіб трансформації нейронних мереж для використання в контексті некласичних обчислень. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 121 – Інженерія програмного забезпечення з галузі знань 12 – Інформаційні технології. – Національний Технічний Університет України «Київський Політехнічний Інститут імені Ігоря Сікорського», Київ, 2025. У дисертаційній роботі розглянуто проблему адаптації нейронних мереж до умов некласичних обчислювальних середовищ, зокрема квантових, нейроморфних та інших альтернативних парадигм. В умовах стрімкого зростання обчислювальної складності сучасних моделей штучного інтелекту та зростаючого інтересу до нових апаратних платформ постає задача розробки методів трансформації архітектур нейронних мереж, які б дозволяли ефективно переносити класичні моделі в нові обчислювальні контексти. Актуальність роботи зумовлена відсутністю формалізованих принципів інтеграції квантових перетворень у структури класичних нейронних мереж. Наявні підходи здебільшого ґрунтуються на емпіричних налаштуваннях без чіткого опису того, як параметризовані квантові операції впливають на стабільність, відтворюваність і продуктивність моделей на даних різної складності. Ситуація ускладнюється тим, що медичні набори даних є високоваріативними, містять значний дисбаланс класів і чутливі до перенавчання, що потребує пошуку стійкіших архітектур. Метою роботи є підвищення ефективності та стабільності систем класифікації зображень шляхом розробки методу трансформації нейронних мереж у гібридні квантово-класичні архітектури, придатні для використання в контексті некласичних обчислень. У роботі проаналізовано властивості типових некласичних обчислювальних систем, визначено обмеження, які вони накладають на структуру та функціональні елементи моделей машинного навчання. Для досягнення поставленої мети проаналізовано сучасні методи квантового та гібридного глибинного навчання, досліджено можливості використання квантових симуляторів у задачах опрацювання зображень, розроблено метод трансформації нейронних мереж на архітектурному, функціональному та реалізаційному рівнях, запропоновано конфігурації гібридних квантово-класичних моделей із квантовою згорткою як препроцесингом, а також експериментально оцінено ефективність гібридних моделей порівняно з класичними та проаналізовано вплив кількості квантових каналів і масштабу класичної основи на якість і стабільність класифікації. Розроблено та досліджено метод використання квантових перетворень як квантово-згорткового препроцесингу (quanvolution) для формування багатоканального представлення вхідного зображення. Масштабована архітектура HNN-QCn передбачає поєднання кількох паралельних класичних основ нейронної мережі (бекбонів), де кожен отримує окремий квантовоперетворений канал; для генерації квантових варіацій використовуються однокубітні обертання навколо осей Y, X та їх комбінації (RY, RX, RXY). Для узагальнення прогнозів, отриманих для різних квантових варіацій зображення, обґрунтовано застосування мажоритарного голосування (Majority Voting - MV) як завершального кроку формування фінального передбачення гібридної моделі. Наукова новизна одержаних результатів полягає в тому, що вперше запропоновано комплексний спосіб побудови гібридних квантово-класичних нейронних мереж, який, на відміну від наявних підходів з інтеграцією квантової компоненти в одну фіксовану архітектуру, забезпечує системну трансформацію мереж на трьох взаємопов’язаних рівнях — архітектурному, функціональному та реалізаційному. Набув подальшого розвитку метод квантового препроцесингу на основі квантової згортки, який передбачає паралельне застосування кількох однокубітних обертань для формування множини додаткових каналів, завдяки чому квантово-індуковані ознаки виконують роль регуляризатора. Вперше сформульовано критерій доцільності застосування квантового препроцесингу залежно від масштабу класичної компоненти та вперше розроблено стандартизований протокол експериментального оцінювання, що поєднує стратифіковану перехресну перевірку, прогнозування на позатренувальних блоках (Out-of-Fold) і статистичний аналіз стабільності метрик. Експериментальні дослідження виконано на еталонному наборі даних загального призначення CIFAR-10 та прикладних спеціалізованих медичних наборах даних MedMNIST (BloodMNIST, PathMNIST, DermaMNIST). Показано зростання якості зі збільшенням кількості квантових каналів: для набору даних CIFAR-10 комбінована конфігурація HNN-5QC (YW4+O1) досягла значень точності (accuracy) 0.769±0.002 при значеннях AUC_micro = 0.964±0.022 та AUC_macro = 0.969±0.001, що перевищує аналогічні показники базової моделі. Також встановлено перевагу вибору класичного бекбону: на наборі даних DermaMNIST модель з основою LCNet050 стабільно переважає модель з основою MobileNetV3Small050 за показниками AUC (ΔAUC ≈ 0.02; AUC_macro 0.9540 проти 0.9340; AUC_micro 0.9585 проти 0.9381). Встановлено, що ефект гібридизації найбільший для компактних і середніх класичних архітектур, тоді як для великих компонент він суттєво зменшується; зі збільшенням кількості квантових каналів якість зростає до діапазону QC5–QC9, після чого спостерігається ефект насичення. Одночасно зменшується міжфолдова варіативність метрик, що підтверджує інтерпретацію квантовоіндукованої ознакової надбудови як регуляризатора, який підвищує стабільність і відтворюваність прогнозів. Практичне значення одержаних результатів полягає у формалізації підходу побудови гібридних квантово-класичних моделей та створенні відтворюваного експериментального потоку робочих операцій (workflow) для систематичного добору квантових трансформацій, кількості квантових каналів і класичних архітектур під конкретні задачі класифікації зображень із підвищеними вимогами до надійності. Результати дисертації отримано здобувачем самостійно: розроблено концепцію та принципи системної трансформації нейронних мереж, архітектуру HNN-QCn і схему багатоканального кванволюційного входу, реалізовано програмні засоби та проведено експерименти. Основні положення оприлюднено на міжнародних наукових конференціях (ICAIS 2024; ICTSM, Сінгапур, 2024) та опубліковано в наукових працях, зокрема у виданнях, що індексуються в Scopus (журнали AI та Computation), і у фаховому виданні України. Дисертація складається зі вступу, чотирьох розділів, висновків, списку використаних джерел і додатка. У ній послідовно розглянуто квантові обчислення та інструменти штучного інтелекту, особливості класичних і некласичних обчислень для гібридизації, комплексний спосіб побудови квантово-класичних гібридних мереж, а також аналіз результатів експериментів з багатоканальною кванволюцією, масштабуванням архітектури HNN-QCn і впливом вибору класичної основи.
dc.description.abstractotherKhmelnytskyi A.A. Method for Transforming Neural Networks for Use in the Context of Non-Classical Computing. – Qualified scientific work on the rights of the manuscript. Dissertation for the degree of Doctor of Philosophy in specialty 121 – Software Engineering, field of knowledge 12 – Information Technologies. – National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute,” Kyiv, 2025. The dissertation addresses the problem of adapting neural networks to nonclassical computational environments, in particular quantum, neuromorphic, and other alternative paradigms. In the context of the rapid growth of computational complexity in modern artificial intelligence models and the increasing interest in emerging hardware platforms, there arises a need to develop methods for transforming neural network architectures that enable efficient transfer of classical models to new computational contexts. The relevance of the work stems from the lack of formalized principles for integrating quantum transformations into the structures of classical neural networks. Existing approaches rely mostly on empirical tuning, without a clear description of how parameterized quantum operations affect the stability, reproducibility, and performance of models on data of varying complexity. The situation is further complicated by the fact that medical datasets are highly variable, contain significant class imbalance, and are prone to overfitting, which calls for more robust architectures. The aim of the research is to improve the efficiency and stability of image classification systems by developing a method for transforming neural networks into hybrid quantum–classical architectures suitable for use in non-classical computing settings. The study analyzes the properties of typical non-classical computational systems and identifies the constraints they impose on the structure and functional components of machine learning models. To achieve this aim, modern methods of quantum and hybrid deep learning were analyzed, the possibilities of using quantum simulators in image-processing tasks were studied, a method for transforming neural networks at the architectural, functional, and implementation levels was developed, configurations of hybrid quantum–classical models with quantum convolution as preprocessing were proposed, and the effectiveness of the hybrid models was experimentally evaluated against classical ones, together with an analysis of the influence of the number of quantum channels and the scale of the classical backbone on classification quality and stability. A method for employing quantum transformations as quantum-convolutional preprocessing (quanvolution) to form a multi-channel representation of input images has been developed and investigated. The scalable HNN-QCn architecture combines multiple parallel classical backbones, each receiving a separate quantum-transformed channel; single-qubit rotations around the Y and X axes and their combinations (RY, RX, RXY) are used to generate quantum variations. To aggregate predictions obtained from different quantum variations of the image, the use of the Majority Voting (MV) approach is justified as the final step in forming the hybrid model’s prediction. The scientific novelty of the obtained results is that, for the first time, a comprehensive method for constructing hybrid quantum–classical neural networks is proposed which, unlike existing approaches that integrate the quantum component into a single fixed architecture, provides a systemic transformation of networks at three interrelated levels — architectural, functional, and implementation. The method of quantum preprocessing based on quantum convolution has been further developed through the parallel application of several single-qubit rotations to form a set of additional channels, owing to which the quantum-induced features act as a regularizer. For the first time, a criterion for the expediency of applying quantum preprocessing depending on the scale of the classical component has been formulated, and a standardized protocol for experimental evaluation has been developed that combines stratified cross-validation, Out-of-Fold prediction, and statistical analysis of metric stability. Experimental studies were conducted on the general-purpose benchmark dataset CIFAR-10 and on the applied specialized medical datasets MedMNIST (BloodMNIST, PathMNIST, DermaMNIST). An improvement in performance with an increasing number of quantum channels is demonstrated: for the CIFAR-10 dataset, the combined HNN-5QC (YW4+O1) configuration achieved an accuracy of 0.769±0.002 with AUC_micro = 0.964±0.022 and AUC_macro = 0.969±0.001, outperforming the baseline model. In addition, the advantage of backbone selection is established: on the DermaMNIST dataset, the model with the LCNet050 backbone consistently outperforms the model with the MobileNetV3Small050 backbone in terms of AUC (ΔAUC ≈ 0.02; AUC_macro 0.9540 vs. 0.9340; AUC_micro 0.9585 vs. 0.9381). It has been established that the effect of hybridization is greatest for compact and medium-sized classical architectures, whereas for large components it decreases substantially; as the number of quantum channels grows, quality increases up to the QC5–QC9 range, after which a saturation effect is observed. At the same time, the inter-fold variability of the metrics decreases, which confirms the interpretation of the quantum-induced feature superstructure as a regularizer that improves the stability and reproducibility of predictions. The practical significance of the obtained results lies in the formalization of an approach to constructing hybrid quantum–classical models and in the creation of a reproducible experimental workflow for the systematic selection of quantum transformations, the number of quantum channels, and classical architectures for specific image classification tasks with increased reliability requirements. The results of the dissertation were obtained by the author independently: the concept and principles of the systemic transformation of neural networks were developed, as well as the HNN-QCn architecture and the multi-channel quanvolutional input scheme; the software was implemented and the experiments were carried out. The main results were presented at international scientific conferences (ICAIS 2024; ICTSM, Singapore, 2024) and published in scientific works, in particular in journals indexed in Scopus (AI and Computation) and in a professional journal of Ukraine. The dissertation consists of an introduction, four chapters, conclusions, a list of references, and an appendix. It successively examines quantum computing and artificial-intelligence tools, the features of classical and non-classical computing for hybridization, a comprehensive method for constructing quantum–classical hybrid networks, and an analysis of experimental results involving multi-channel quanvolution, scaling of the HNN-QCn architecture, and the influence of classicalbackbone selection.
dc.format.extent133 с.
dc.identifier.citationХмельницький, А. А. Спосіб трансформації нейронних мереж для використання в контексті некласичних обчислень : дис. … д-ра філософії : 121 Інженерія програмного забезпечення / Хмельницький Арсеній Андрійович. – Київ, 2026. – 133 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/82778
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectмашинне навчання
dc.subjectглибокі нейронні мережі
dc.subjectгібридні нейронні мережі
dc.subjectкласифікація зображень
dc.subjectквантові обчислення
dc.subjectmachine learning
dc.subjectdeep neural networks
dc.subjecthybrid neural networks
dc.subjectimage classification
dc.subjectquantum computing
dc.subject.udc004.8
dc.titleСпосіб трансформації нейронних мереж для використання в контексті некласичних обчислень
dc.title.alternativeMethod for Transforming Neural Networks for Use in the Context of Non-Classical Computing
dc.typeThesis Doctoral

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Khmelnytskyi_dys.pdf
Розмір:
2.9 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

Дисертації (ОТ)
Дисертації (вільний доступ)