Гордієнко, Юрій ГригоровичХмельницький, Арсеній Андрійович2022-07-152022-07-152022Хмельницький, 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.https://ela.kpi.ua/handle/123456789/48868Актуальність. 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.ukквантові нейронні мережінейронні мережіглибинне навчанняалгоритми навчання нейронних мережархітектура нейронних мережкласифікація цифркласифікація зображеньquantum neural networksneural networksdeep learningneural networks learning algorithmsneural networks architecturenumbers classificationimages classificationMaster Thesis122 с.004.056.5