ترجمه فارسی مقاله یادگیری انتقالی کوانتومی برای طبقه‌بندی MNIST با استفاده از یک رویکرد ترکیبی کوانتومی-کلاسیکی

چکیده

In this research, we explore the integration of quantum computing with classical machine learning for image classification tasks, specifically focusing on the MNIST dataset. We propose a hybrid quantum-classical approach that leverages the strengths of both paradigms. The process begins with preprocessing the MNIST dataset, normalizing the pixel values, and reshaping the images into vectors. An autoencoder compresses these 784-dimensional vectors into a 64-dimensional latent space, effectively reducing the data’s dimensionality while preserving essential features. These compressed features are then processed using a quantum circuit implemented on a 5-qubit system. The quantum circuit applies rotation gates based on the feature values, followed by Hadamard and CNOT gates to entangle the qubits, and measurements are taken to generate quantum outcomes. These outcomes serve as input for a classical neural network designed to classify the MNIST digits. The classical neural network comprises multiple dense layers with batch normalization and dropout to enhance generalization and performance. We evaluate the performance of this hybrid model and compare it with a purely classical approach. The experimental results indicate that while the hybrid model demonstrates the feasibility of integrating quantum computing with classical techniques, the accuracy of the final model, trained on quantum outcomes, is currently lower than the classical model trained on compressed features. This research highlights the potential of quantum computing in machine learning, though further optimization and advanced quantum algorithms are necessary to achieve superior performance.

چکیده به فارسی (ترجمه ماشینی)

در این تحقیق ، ما ادغام محاسبات کوانتومی با یادگیری ماشین کلاسیک را برای کارهای طبقه بندی تصویر ، به طور خاص با تمرکز بر روی مجموعه داده MNIST بررسی می کنیم.ما یک رویکرد کلاسیک کوانتومی ترکیبی را پیشنهاد می کنیم که از نقاط قوت هر دو پارادایم استفاده می کند.این فرآیند با پیش پردازش مجموعه داده MNIST ، عادی سازی مقادیر پیکسل و تغییر شکل مجدد تصاویر در بردارها آغاز می شود.یک AutoEncoder این بردارهای 784 بعدی را به یک فضای نهفته 64 بعدی فشرده می کند و ضمن حفظ ویژگی های اساسی ، ابعاد داده را به طور موثری کاهش می دهد.این ویژگی های فشرده شده سپس با استفاده از یک مدار کوانتومی که بر روی یک سیستم 5-quit اجرا می شود ، پردازش می شوند.مدار کوانتومی دروازه های چرخش را بر اساس مقادیر ویژگی اعمال می کند ، و به دنبال آن دروازه های Hadamard و CNOT برای به دام انداختن Qubits و اندازه گیری ها برای تولید نتایج کوانتومی انجام می شود.این نتایج به عنوان ورودی برای یک شبکه عصبی کلاسیک طراحی شده برای طبقه بندی ارقام MNIST است.شبکه عصبی کلاسیک شامل چندین لایه متراکم با عادی سازی دسته ای و ترک تحصیل برای تقویت تعمیم و عملکرد است.ما عملکرد این مدل ترکیبی را ارزیابی می کنیم و آن را با یک رویکرد کاملاً کلاسیک مقایسه می کنیم.نتایج تجربی نشان می دهد که در حالی که مدل ترکیبی امکان ادغام محاسبات کوانتومی با تکنیک های کلاسیک را نشان می دهد ، صحت مدل نهایی ، که روی نتایج کوانتومی آموزش دیده است ، در حال حاضر پایین تر از مدل کلاسیک است که بر روی ویژگی های فشرده شده آموزش دیده است.این تحقیق پتانسیل محاسبات کوانتومی در یادگیری ماشین را برجسته می کند ، اگرچه بهینه سازی بیشتر و الگوریتم های کوانتومی پیشرفته برای دستیابی به عملکرد برتر ضروری است.