Quantum Gradient Descent for Deep Learning Problems

Cette thèse présente la conception et l’évaluation d’un réseau neuronal adaptatif quantique (QEANN-QGD), qui intègre des paradigmes d’apprentissage quantique et classique pour traiter efficacement du données complexes. Le modèle exploite la descente de gradient quan- tique (QGD) et intègre une Fusion de caractéristiques hybride (HFI), où les caractéristiques améliorées par le quantum sont combinées avec des caractéristiques extraites à l’aide de méthodes classiques. Cette architecture utilise les forces des deux paradigmes, garantissant une performance d’apprentissage évolutive et adaptative. Notre approche été évaluée sur des ensembles de données de référence, ycompris MNIST et CIFAR-10, enutilisant diversestech- niques d’optimisation telles que SGD et Adam comme points de référence. Pour l’ensemble de données MNIST on a atteint une précision de 99,26% avec QEANN-QGD, comparé à 99,84% avec SGD et 99,97% avec Adam, tout en maintenant une faible valeur de perte de 0,0281. Pour CIFAR-10, le modèle atteint une précision de 82,57%, restant compétitif a plu- sieurs modèles classiques, avec une valeur finale de perte de 0,2791. Les couches contribuent considérablement à capturer des motifs non triviaux, reflétés dans les courbes de précision et la convergence progressive de l’énergie de l’état fondamental au cours de l’optimisation. De plus, des techniques de modélisation et de réduction du bruit ont été appliquées pour atténuer les erreurs quantiques et assurer la fiabilité des calculs quantiques. En utilisant les circuits quantiques variationnels et les techniques de décalage de paramètres ont permis une optimisation efficace des caractéristiques quantiques. Les résultats montrent que notre entraînement basé sur la QGD offreune robustesse et une capacité d’extraction de caractéris- tiques comparables aux méthodes classiques conventionnelles. Cela démontre la capacité des systèmes hybrides quantiques-classiques à s’adapter à des ensembles de données diversifiés avec des améliorations en termes de précision, rappel, score F1 et ROC-AUC. Cependant, l’architecture hybride introduit des défis tels qu’une surcharge computationnelle accrue et des besoins en qubits, qui sont discutés en détail. Les travaux futurs se concentreront sur le développement de circuits quantiques plus efficaces pour réduire l’utilisation des qubits et explorer des algorithmes quantiques alternatifs pour l’optimisation afin d’améliorer encore les performances du modèle. Cette étude fait progresser l’apprentissage machine quantique en proposant un réseau neuronal hybride et évolutif qui équilibre avec succès les composant quantiques et classiques, avec des applications potentielles dans des domaines nécessitant une extraction de caractéristiques améliorées et des capacités d’apprentissage adaptatives.