Key points are not available for this paper at this time.
تمثل الشبكات العصبية التلافيفية الكمية (QCNNs) نهجًا واعدًا في التعلم الآلي الكمي، مما يمهد طرقًا جديدة لتحليل البيانات الكمية والكلاسيكية. هذا النهج جذاب بشكل خاص بسبب غياب مشكلة الهضبة القاحلة، وهي تحدٍ أساسي في تدريب الشبكات العصبية الكمية (QNNs)، وإمكانيته. ومع ذلك، تنشأ قيود عند تطبيق QCNNs على البيانات الكلاسيكية. تكون بنية الشبكة أكثر طبيعية عندما يكون عدد الكيوبتات المدخلة قوة من اثنين، حيث يتم تقليل هذا العدد بعامل اثنين في كل طبقة تجميع. يحدد عدد الكيوبتات المدخلة الأبعاد (أي عدد الخصائص) للبيانات المدخلة التي يمكن معالجتها، مما يحد من قابلية تطبيق خوارزميات QCNN على البيانات من العالم الحقيقي. لمعالجة هذه القضية، نقترح بنية QCNN قادرة على التعامل مع أبعاد بيانات الإدخال العشوائية مع تحسين تخصيص الموارد الكمية مثل الكيوبتات الإضافية وبوابات الكم. هذه التحسين ليست مهمة فقط لتقليل الموارد الحسابية، ولكن أيضًا أساسية في الحوسبة الكمية ذات النطاق الوسيط المليء بالضوضاء (NISQ)، حيث يكون حجم الدوائر الكمومية التي يمكن تنفيذها بشكل موثوق محدودًا. من خلال المحاكيات العددية، قمنا بتقييم أداء التصنيف لمختلف هياكل QCNN عند التعامل مع أبعاد بيانات الإدخال العشوائية على مجموعات بيانات MNIST وسرطان الثدي. النتائج تؤكد أن بنية QCNN المقترحة تحقق أداء تصنيف ممتاز بينما تستخدم حد أدنى من الموارد، مما يوفر حلاً مثالياً عندما تكون الحسابات الكمية الموثوقة مقيدة بالضوضاء والعيوب.
درس لي وآخرون (الأربعاء) هذا السؤال.