Comparative analysis of LCNet050 and MobileNetV3 architectures in hybrid quantum–classical neural networks for image classification

Скорочена інформація про документ
dc.contributor.authorKhmelnytskyi, Arsenii
dc.contributor.authorGordienko, Yuri
dc.date.accessioned2026-02-06T13:13:36Z
dc.date.available2026-02-06T13:13:36Z
dc.date.issued2025
dc.description.abstractThis study explores the impact of classical backbone architecture on the performance of hybrid quantum-classical neural networks in image classification tasks. Hybrid models combine the representational power of classical deep learning with the potential advantages of quantum computation. Specifically, this research employs a quanvolutional neural network architecture in which a quantum convolutional layer, based on a four-qubit Ry circuit, preprocesses input images before classical processing. Despite the growing interest in hybrid models, few studies have systematically investigated how variations in classical architecture design affect the overall performance of hybrid quantum-classical neural networks. To address this gap, we compare two lightweight convolutional backbones – MobileNetV3Small050 and LCNet050 – integrated with an identical quantum preprocessing layer. Both models are evaluated on the CIFAR-10 dataset using 5-fold stratified cross-validation. Performance is assessed using multiple metrics, including accuracy, macro- and micro-averaged area under the curve, and class-wise confusion matrices. The results indicate that the LCNet-based hybrid model consistently outperforms its MobileNet counterpart, achieving higher overall accuracy and area under the curve scores, along with improved class balance and robustness in distinguishing less-represented classes. These findings underscore the critical role of classical backbone selection in hybrid quantum-classical architectures. While the quantum layer remains fixed, the synergy between quantum preprocessing and classical feature extraction significantly affects model performance. This study contributes to a growing body of work on quantum-enhanced learning systems by demonstrating the importance of classical design choices. Future research may extend these insights to alternative datasets, deeper or transformer-based backbones, and more expressive quantum circuits.
dc.description.abstractotherУ даному дослiдженнi розглянуто вплив класичної архiтектури базової моделi на продуктивнiсть гiбриднихквантово-класичних нейронних мереж) у задачах класифiкацiї зображень. Гiбриднi моделi поєднуютьпредставницьку здатнiсть класичного глибокого навчання з потенцiйними перевагами квантових обчислень.Зокрема, використано архiтектуру квантово-конволюцiйної нейронної мережi, де квантовий конволюцiйнийшар на основi чотирикубiтногоRy-ланцюга виконує попередню обробку зображень перед класичнимиобчисленнями. Попри зростаючий iнтерес до гiбридних моделей, досi бракує систематичних дослiджень, якi бвивчали вплив варiацiй у класичнiй архiтектурi на загальну ефективнiсть гiбридних квантово-класичнихнейронних мереж. Щоб заповнити цю прогалину, ми порiвнюємо двi легкi конволюцiйнi архiтектури –MobileNetV3Small050таLCNet050– iнтегрованi з однаковим квантовим шаром попередньої обробки. Обидвiмоделi оцiнюються на наборi данихCIFAR-10з використанням 5-кратної стратифiкованої крос-валiдацiї.Ефективнiсть вимiрюється за допомогою кiлькох метрик, включно з точнiстю, макро- та мiкросереднiмпоказником площi пiд кривою, а також матрицями невiдповiдностей по класах. Результати демонструють, щогiбридна модель на базiLCNetстабiльно перевершуєMobileNetза загальною точнiстю та значеннями площi пiдкривою, забезпечуючи кращий баланс мiж класами та стiйкiсть у розпiзнаваннi менш представлених класiв.Це пiдкреслює критичну роль вибору класичної архiтектури в гiбридних квантово-класичних системах.Незважаючи на фiксований квантовий шар, взаємодiя мiж квантовою попередньою обробкою та класичнимвилученням ознак суттєво впливає на результати моделi. Це дослiдження робить внесок у зростаючий корпусробiт у сферi квантово-пiдсилених навчальних систем, демонструючи важливiсть вибору класичноїархiтектури. Майбутнi дослiдження можуть розширити цi результати на iншi набори даних, глибшi аботрансформернi архiтектури, а також бiльш виразнi квантовi схеми.
dc.format.pagerangeP. 49-60
dc.identifier.citationComparative analysis of LCNet050 and MobileNetV3 architectures in hybrid quantum–classical neural networks for image classification / Arsenii Khmelnytskyi, Yuri Gordienko // Information, Computing and Intelligent systems. – 2025. – No. 7. – P. 49-60. – Bibliogr.: 15 ref.
dc.identifier.doihttps://doi.org/10.20535/2786-8729.7.2025.333887
dc.identifier.orcid0009-0009-1631-8172
dc.identifier.orcid0000-0003-2682-4668
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78685
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. 7, 2025
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectNeural Networks
dc.subjectQuantum Computing
dc.subjectHybrid Neural Networks
dc.subjectImage Classification
dc.subjectнейроннi мережi
dc.subjectквантовi обчислення
dc.subjectгiбриднi нейроннi мережi
dc.subjectкласифiкацiя зображень
dc.subject.udc004.415.2
dc.titleComparative analysis of LCNet050 and MobileNetV3 architectures in hybrid quantum–classical neural networks for image classification
dc.title.alternativeПорівняльний аналіз архітектур LCNET050 та MOBILENETV3 у гібридних квантово-класичних нейронних мережах для класифікації зображень
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
49-60.pdf
Розмір:
875.6 KB
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. 7