2025, випуск 1, c. 106-117
Одержано 09.01.2025; Виправлено 11.02.2025; Прийнято 25.03.2025
Надруковано 28.03.2025; Вперше Online 30.03.2025
https://doi.org/10.34229/2707-451X.25.1.11
Попередня | ПОВНИЙ ТЕКСТ | Наступна
Квантовий варіаційний автоенкодер на базі слабких вимірювань з нечіткою фільтрацією вхідних даних
В.Ю. Корольов * 
, М.І. Огурцов , О.М. Ходзінський
Інститут кібернетики імені В.М. Глушкова НАН України, Київ
* Листування: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.
Вступ. Розвиток квантових обчислень та штучного інтелекту зумовлює необхідність розробки гібридних квантово-класичних алгоритмів для вирішення складних обчислювальних задач. Актуальність досліджень обумовлена потребою у нових підходах до прийняття творчих рішень ШІ в умовах вичерпування навчальних вибірок. (КВА) на базі слабких вимірювань з нечіткою фільтрацією вхідних даних є перспективним напрямом досліджень.
У статті вперше запропоновано квантово варіаційний автоенкодер (КВА) заснований на слабких вимірюваннях, що розширює простір можливих рішень завдяки квантовим ефектам – заплутаності кубітів, суперпозиції станів та телепортації інформації. Принципово важливою модифікацією є впровадження слабких вимірювань, які забезпечують отримання інформації про квантову систему з мінімальним впливом на її стан.
Мета роботи. Удосконалення ШІ через моделювання алгоритмів автоенкодера за допомогою слабких вимірювань та нечіткої логіки.
Результати. Вперше виконано чисельне моделювання КВА на базі слабких вимірювань з нечіткою фільтрацією на класичних комп'ютерах та хмарних сервісах. Якість реконструкції КВА порівняна з класичними автоенкодерами. Моделювання виконувалось для одномірного сигналу, оскільки для навчальних вибірок CIFAR-10 та MNIST симуляція потребує понад 5 петабайт оперативної пам'яті. Час роботи КВА у Google Colab склав приблизно 40 секунд.
Висновки. Інтеграція механізму нечіткої фільтрації у структуру КВА розширює можливості обробки спотворених та неповних даних. Така модифікація підвищує стійкість моделі до теплового шуму та артефактів вхідних даних, покращуючи якість стиснення інформації. Нечітка кластеризація дозволяє системі ефективно оперувати з неоднозначними ситуаціями в умовах невизначеності.
Комп'ютерне моделювання показало, що адаптація нечіткої функції належності відповідно до типу вхідних даних, збільшення кількості латентних змінних та підбору швидкості навчання нейромережі дозволяють покращити якість реконструкції вхідного сигналу.
Ключові слова: квантові обчислення, нейромережа, варіаційний автоенкодер, нечітка логіка, слабкі вимірювання.
Цитувати так: Корольов В.Ю., Огурцов М.І., Ходзінський О.М. Квантовий варіаційний автоенкодер на базі слабких вимірювань з нечіткою фільтрацією вхідних даних. Cybernetics and Computer Technologies. 2025. 1. С. 106–117. https://doi.org/10.34229/2707-451X.25.1.11
Список літератури
1. O'brien J.L. Optical quantum computing. Science. 2007. 318 (5856): 1567–1570. https://doi.org/10.1126/science.1142892
2. Sunstein C.R. The AI Calculation Debate. Available at SSRN 5054402. 2024. Dec 13.
3. Khoshaman A., Vinci W., Denis B., Andriyash E., Sadeghi H., Amin M.H. Quantum variational autoencoder. Quantum Science and Technology. 2018. 4 (1): 014001.
4. Aharonov Ya., Pan Y., Karimi E. et al. Weak measurements and quantum-to-classical transitions in free electron–photon interactions. Light Sci. Appl. 2023. 12 (267). https://doi.org/10.1038/s41377-023-01292-2
5. Matzkin A. Weak Values and Quantum Properties. Found. Phys. 2019. 49. P. 298–316. https://doi.org/10.1007/s10701-019-00245-3
6. Kastner R.E. Demystifying Weak Measurements. Found. Phys. 2017. 47. P. 697–707. https://doi.org/10.1007/s10701-017-0085-4
7. Cohen E. What Weak Measurements and Weak Values Really Mean: Reply to Kastner. Found. Phys. 2017. 47. P. 1261–1266. https://doi.org/10.1007/s10701-017-0107-2
8. Ruelas D., Uria M., Massoni E., Zela F. Testing precision and accuracy of weak value measurements in an IBM quantum system. AVS Quantum Sci. 2024. 6 (015001). https://doi.org/10.1116/5.0184965
9. Mujal P., Martínez-Peña R., Giorgi G.L. et al. Time-series quantum reservoir computing with weak and projective measurements. npj Quantum Inf. 2023. 9 (16). https://doi.org/10.1038/s41534-023-00682-z
10. Lund A.P. Efficient quantum computing with weak measurements. New J. Phys. 2011. 13 (053024). https://doi.org/10.1088/1367-2630/13/5/053024
11. Pan Y., Zhang J., Cohen E. et al. Weak-to-strong transition of quantum measurement in a trapped-ion system. Nat. Phys. 2020. 16. P. 1206–1210. https://doi.org/10.1038/s41567-020-0973-y
12. White T., Mutus J., Dressel J. et al. Preserving entanglement during weak measurement demonstrated with a violation of the Bell–Leggett–Garg inequality. npj Quantum Inf. 2016. 2 (15022). https://doi.org/10.1038/npjqi.2015.22
13. Kim Y.S., Lee J.C., Kwon O. et al. Protecting entanglement from decoherence using weak measurement and quantum measurement reversal. Nature Phys. 2012. 8. P. 117–120. https://doi.org/10.1038/nphys2178
14. Man Zh., Xia Yu., An N. B. Manipulating entanglement of two qubits in a common environment by means of weak measurements and quantum measurement reversals. Phys. Rev. A. 2012. 86 (012325). https://doi.org/10.1103/PhysRevA.86.012325
15. Gillett G.G., Dalton R.B., Lanyon B.P. et al. Experimental Feedback Control of Quantum Systems Using Weak Measurements. Phys. Rev. Lett. 2010. 104 (080503). https://doi.org/10.1103/PhysRevLett.104.080503
16. Kim Y.S., Cho Y.W., Ra Y.S., Kim Y.H. Reversing the weak quantum measurement for a photonic qubit. Optics Express. 2009. 17 (14). P. 11978–11985. https://doi.org/10.1364/OE.17.011978
17. Murch K.W., Rajamani V., Siddiqi I. Weak Measurement and Feedback in Superconducting Quantum Circuits. In: Hadfield R., Johansson G. (eds) Superconducting Devices in Quantum Optics. Quantum Science and Technology. Springer, Cham. 2016. https://doi.org/10.1007/978-3-319-24091-6_7
18. Hulianitskyi L.F., Korolyov V.Yu., Khodzinskyi O.M. An Overview of Algorithms for Solving Vehicle Routing Problems in the Quantum-Classical Cloud. Cybernetics and Computer Technologies. 2023. 2. P. 23–31. https://doi.org/10.34229/2707-451X.23.2.3
19. Korolyov V.Yu., Khodzinskyi O.M. A Research of the Influence of Quantum Annealing Parameters on the Quality of the Solution of the Number Factorization Problem. Cybernetics and Computer Technologies. 2023. 1. P. 13–22. https://doi.org/10.34229/2707-451X.23.1.2
20. Hulianytskyi L.F., Korolyov V.Yu., Khodzinskyi O.M. Solving the Problem of Vehicle Routing on Modern Quantum-Classical Cloud Services. Selected Papers of the VIII International Scientific Conference “Information Technology and Implementation" (IT&I-2021). Conference Proceedings, Kyiv, Ukraine, December 01–03, 2021. P. 281–289. https://ceur-ws.org/Vol-3132/Short_9.pdf (звернення: 07.01.2024)
21. Korolyov V.Yu., Khodzinskyi O.M. Solving combinatorial optimization problems on quantum computers. Cybernetics and Computer Technologies. 2020. 2. P. 5–13. https://doi.org/10.34229/2707-451X.20.2.1
22. Johansson J.R., Nation P.D., Nori F. QuTiP: An open-source Python framework for the dynamics of open quantum systems. Computer physics communications. 2012. 183 (8):1760–72. https://doi.org/10.48550/arXiv.1110.0573
23. Korolyov V.Yu., Ogurtsov M.I., Khodzinskyi O.M. The problem of routing interbank financial obligations. Physical and mathematical modeling and information technologies. 36. P. 121–125. http://www.fmmit.lviv.ua/index.php/fmmit/article/view/289 (звернення: 07.01.2024)
24. Ogurtsov M.I. Review of Neural Networks Application in UAV Routing Problems. Selected Papers of the VIII Internat. Scien. Conf. “Information Technology and Implementation" (IT&I-2021). Workshop Proceedings. Kyiv, Ukraine, December 1–3, 2021. P. 45–54. https://ceur-ws.org/Vol-3179/Paper_5.pdf (звернення: 07.01.2024)
25. Korolyov V.Yu., Ogurtsov M.I. Statement of the Problem of Complete Set of UAV Group on the Basis of Models of Granular Calculations and Fuzzy Logic. Cybernetics and Computer Technologies. 2021. 2. P. 25–38. https://doi.org/10.34229/2707-451X.21.2.3
26. Goodfellow I., Bengio Yo. Deep Learning (Adaptive Computation and Machine Learning series). The MIT Press. 2016. 800 p. ISBN 0262035618.
27. Kingma D.P., Welling M. An Introduction to Variational Autoencoders. Now Publishers. 2019. 102 p. ISBN 1680836226.
28. Amin M.H., Andriyash E., Rolfe J., Kulchytskyy B., Melko R. Quantum boltzmann machine. Physical Review X. 2018. 8 (2): 021050.
29. Austin B.M., Zubarev D.Y., Lester Jr.W.A. Quantum Monte Carlo and related approaches. Chemical reviews. 2012. 112 (1). 263–288. https://doi.org/10.1021/cr2001564
30. Abouelnaga Y., Ali O.S., Rady H., Moustafa M. Cifar-10: Knn-based ensemble of classifiers. In2016 International Conference on Computational Science and Computational Intelligence (CSCI) 2016 Dec 15. P. 1192–1195.
31. Broughton M., Verdon G., McCourt T., Martinez A.J., Yoo J.H., Isakov S.V., Massey P., Halavati R., Niu M.Y., Zlokapa A., Peters E. Tensorflow quantum: A software framework for quantum machine learning. arXiv preprint arXiv:2003.02989. 2020 Mar 6.
32. Code examples for article. https://github.com/novice108/quant_weak_measur_autoencoder (звернення: 07.01.2024)
ISSN 2707-451X (Online)
ISSN 2707-4501 (Print)
Попередня | ПОВНИЙ ТЕКСТ | Наступна