Моделі та методи оптимізації машинного навчання з урахуванням квантового шуму для гібридних квантових нейронних мереж

Abstract

Предметом дослідження є сучасні гібридні квантово-класичні нейронні мережі, проблеми їх оптимізації в умовах квантового шуму, а також підходи до покращення стійкості тренувального процесу. Метою магістерської кваліфікаційної роботи є теоретичне обґрунтування та концептуальна інтеграція алгоритму шумостійкої оптимізації Adam у навчальний цикл варіаційної квантової моделі. У ході виконання роботи було досліджено наявні оптимізатори для варіаційних алгоритмів, проаналізовано їх недоліки в умовах NISQ-пристроїв, а також запропоновано формальну модель шумоадаптивного методу оновлення параметрів. Розроблено, реалізовано та проаналізовано узагальнену архітектуру гібридної QNN, до якої логічно інтегровано шумоадаптивний Adam без зміни базової структури обробки.