Модели квантового «сильного» вычислительного интеллекта и квантовых нейронных сетей глубокого обучения: платформа интеллектуального управления промышленными роботизированными социотехническими системами
Боковая панель статьи
Основное содержимое статьи
Аннотация
Рассмотрены принципы и методы построения моделей квантового «сильного» вычислительного интеллекта на основе инструментария квантового глубокого обучения с применением квантовых нейронных сетей и квантового генетического алгоритма. Обсуждаются дополнительные особенности моделей квантового перцептрона и модели инженерии квантового глубокого обучения при применении инструментария оптимизации баз знаний интеллектуальных регуляторов на основе QCOptKBTM в задачах квантового интеллектуального управления роботизированными социотехническими системами в проектах «Индустрия 4.0 / 5.0 /6.0». Описание особенностей квантового глубокого обучения позволяет точнее и глубже освоить возможности инструментария QCOptKBTM, который включает в себя этапы обучения и извлечения (из исходных данных) сигнала обучения за счет инструментария SCOptKBTM на технологии мягких вычислений, и далее рассматривается как классические данные. За счет операторов квантовых вычислений классические данные кодируются кубитами, осуществляется оптимальный выбор квантовой корреляции между искомыми решениями и применением конструктивной интерференции извлекается искомый результат путем измерения. Таким образом, разработанный интеллектуальный инструментарий SCOptKBTM и QCOptKBTM включает принципы квантового глубокого обучения, и также как в случае технологии мягких вычислений, формирует оптимальную структуру теперь квантовой нейронной сети, а за счет применения квантового генетического алгоритма ускоряет поиск искомого решения.
Скачивания
Информация о статье
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Библиографические ссылки
Physical limits and information bounds of micro control. Part 2: Quantum soft computing and quantum searching algorithms / S. V. Ulyanov [et al.] // Proceedings of the 1998 International Symposium on Micromechatronics and Human Scienc (MHS’98). Nagoya, Japan. – 1998. – Pp. 217-224. – DOI: 10.1109/MHS.1998.745785.
Information analysis of quantum gates for simulation of quantum algorithms on classical com-puters / S. V. Ulyanov [et al.] // International Conference on Quantum Communication, Meas-urements and Computing (QCM&C’2000). – Capri. Italy, 2000. KluwerAcad. PlenumPubl. – 2001. – pp. 207-214.
Ulyanov S. V., Litvintseva L. V., Hagiwara T. Design of self-organized intelligent control sys-tems based on quantum fuzzy inference: intelligent system of systems engineering approach // IEEE International Conference on System, Man and Cybernetics (SMC’2005). – Hawaii, USA, 2005. – Vol. 4. – Pp. 3835-3840. – DOI: 10.1109/ICSMC.2005.1571744.
Valdez F., Melin P. A review on quantum computing and deep learning algorithms and their applications // Soft Computing. – Springer-Verlag GmbH Germany, part of Springer Nature, 2022. – DOI: 10.1007/s00500-022-07037-4 (published online: 07 April 2022).
Ulyanov S.V. Quantum Soft Computing in Control Process Design: Quantum Genetic Algo-rithms and Quantum Neural Network Approaches // Proceedings World Automation Congress, Fifth Intern. Symposium on Soft Computing for Industry. – Seville, Spain June 28th-July 1st, 2004 (paper No ISSCI028).
Quantum machine learning for chemistry and physics / M. Sajjan [et al.] // Chem Soc Rev. – 2022. – Vol. 51. – Pp. 6475-6573. – DOI: 10.1039/d2cs00203e.
A Quantum Neural Network-Based Approach to Power Quality Disturbances Detection and Recognition / D.-G. Li [et al.] // arXive.org e-Print archive. – arXiv:2406.03081v1 [quant-ph] 5 Jun 2024.
Huang H-Y., Kueng R., Preskill J. Information-theoretic bounds on quantum advantage in ma-chine learning // arXive.org e-Print archive. – arXiv:2101.02464v1 [quant-ph] 7 Jan 2021.
Synergy of machine learning with quantum computing and communication / Debasmita Bhoumik, Susmita Sur-Kolay, Latesh Kumar K. J., Sundaraja Sitharama Iyengar // arXive.org e-Print archive. – arXiv:2310.03434v1 [quant-ph] 5 Oct 2023.
A General Approach to Dropout in Quantum Neural Networks / F. Scala, A. Ceschini, M. Pan-ella, D. Gerace // arXive.org e-Print archive. – arXiv:2310.04120v1 [quant-ph] 6 Oct 2023.
A Survey on Quantum Machine Learning: Current Trends, Challenges, Opportunities, and the Road Ahead / Kamila Zaman, Alberto Marchisio, Muhammad Abdullah Hanif, Muhammad Shafique // arXive.org e-Print archive. – arXiv:2310.10315v1 [quant-ph] 16 Oct 2023.
Chen Z.-B. Quantum Neural Network and Soft Quantum Computing // arXive.org e-Print ar-chive. – arXiv:1810.05025v1 [quant-ph] 10 Oct 2018.
sQUlearn – A Python Library for Quantum Machine Learning / D. A. Kreplin [et al.] // arX-ive.org e-Print archive. – arXiv:2311.08990v1 [quant-ph] 15 Nov 2023.
An artificial neuron implemented on an actual quantum processor / F. Tacchino, C. Macchia-vello, D. Gerace, D. Bajoni // npj Quantum Information. – 2019. – Vol. 5. – Article number: 26 (2019). – DOI: https://doi.org/10.1038/s41534-019-0140-4.
Explaining Grover’s algorithm with a colony of ants: a pedagogical model for making quantum technology comprehensible / Merel A. Schalkers, Kamiel Dankers, Michael Wimmer, Pieter Vermaas // arXive.org e-Print archive. – arXiv:2405.00014v1 [physics.pop-ph] 9 Feb 2024.
Stoudenmire E.M., Waintal X. Grover's Algorithm Offers No Quantum Advantage // arXive.org e-Print archive. – arXiv:2303.11317v1 [quant-ph] 20 Mar 2023.
Innan N., Bennai M. Simulation of a Variational Quantum Perceptron using Grover’s Algo-rithm // arXive.org e-Print archive. – arXiv:2305.11040v1 [quant-ph] 18 May 2023.
Интеллектуальная когнитивная робототехника. Ч. 4.1. Квантовый «сильный» вычисли-тельный интеллект в интеллектуальном управлении роботизированными автономными системами в «Индустрия 4.0 / 5.0» / Р. Ю. Капков, А.Г. Решетников, О. Ю. Тятюшкина, С. В. Ульянов. – Москва: Курс, 2024.
Интеллектуальная когнитивная робототехника. Ч. 4.2. Квантовый «сильный» вычисли-тельный интеллект в интеллектуальном управлении роботизированными социотехниче-скими системами / Р. Ю. Капков, А.Г. Решетников, О. Ю. Тятюшкина, С. В. Ульянов. – Москва: Курс, 2024.