Гибридный квантово-классический метод с ансамблем экспертов вдвое сокращает ошибки классификации изображений
Ученые предложили новый метод классификации изображений, вдохновленный квантовыми вычислениями. Он объединяет квантовые и классические компоненты в гибридную структуру, которая, как показали эксперименты, значительно превосходит традиционные подходы.
Квантовая часть метода включает амплитудное кодирование изображений, свертку с использованием локальных унитарных операций, а также несколько экспертов, обрабатывающих одно и то же изображение с разными параметрами. Извлечение признаков осуществляется с помощью квантовых стабилизирующих кодов.
Классическая часть представляет собой стандартную полносвязную нейронную сеть, которая совместно обрабатывает признаки, полученные от всех экспертов, и выдает предсказание класса изображения.
Эксперименты проводились на популярных бенчмарках MNIST и Fashion-MNIST. Результаты показали, что совместный анализ нескольких экспертов превосходит индивидуальный, а частота ошибок классификации снижается примерно в два раза по сравнению с одиночными экспертами.
При этом вычислительные затраты на GPU-рабочих станциях остаются умеренными, что делает предложенный метод практичной альтернативой существующим классическим схемам. Авторы также отмечают, что квантовая часть фреймворка может быть выполнена на квантовом процессоре.
Работа демонстрирует эффективность смешанных квантово-классических подходов в задачах машинного обучения и открывает путь к дальнейшим исследованиям в этой области.
