Электронный каталог

Статья

Боровинский, В.В.
Модели квантового глубокого машинного обучения: программно-алгоритмическая платформа квантового "сильного" вычислительного ИИ / В.В.Боровинский, А.Г.Решетников, С.В.Ульянов, Г.П.Решетников, [и др.]. – Текст : электронный // Системный анализ в науке и образовании. – 2025. – № 1. – С. 23-38. – URL: https://sanse.ru/index.php/sanse/article/view/649/622. – Библиогр.: 38.

Рассмотрена цель машинного обучения состоит в том, чтобы обучить компьютер извлекать определенные свойства из заданного набора данных без явного кодирования или набора правил, а затем использовать полученные результаты для изучения этих свойств в новых данных в целях прогнозирования, классификации или построения модели исследуемого объекта. Обсуждаются наиболее популярные модели машинного обучения такие как контролируемое обучение (supervisedlearning) или обучение с учителем, при котором машина предварительно обучается с использованием некоторых помеченных данных. Другие формы обучения, такие как неконтролируемое и с подкреплением (unsupervisedandreinforced), также широко изучались и применялись в различных областях. Тремя наиболее широко используемыми алгоритмами контролируемого машинного обучения, относящимися к квантовым вычислениям, являются (a) нейронная сеть (NN–neuralnetworks) для синтеза квантовой логики, физического отображения и декодирования квантовых ошибок, протокол QKD(quantumkeydistribution), квантовый ускоритель ML, квантовые нейронные сети (QNN–quantumneuralnetworks); (б) Обучение с подкреплением (RL) для декодирования квантовых ошибок и (в) Метод опорных векторов (или SVM–supportvectormachine) для квантового машинного обучения. В исследовании также обсуждаются различные модели обучения ML, включая метод случайного поиска для квантовой коммуникации. Работа рассчитана на повышение квалификации ИТ –специалистов, применяющих методы «сильного» ИИ.



ОИЯИ = ОИЯИ (JINR)2025
Спец.(статьи,препринты) = Ц 849 - Искусственный интеллект. Теория и практика
Бюллетени = 30/025