Порівняльний аналіз сучасних алгоритмів та фреймворків для Quantum Machine Learning
Loading...
Date
2026
Authors
Реуцька, Арина
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
В даній кваліфікаційній роботі досліджено сучасні алгоритми та фреймворки Quantum Machine Learning у контексті задачі автоматичної класифікації модуляції радіосигналів. Актуальність роботи зумовлена потребою у розробці та порівнянні інструментів машинного навчання, здатних працювати з високорозмірними, шумовими та нелінійними сигналовими даними, а також зростанням інтересу до гібридних квантово-класичних моделей в задачах обробки інформації. В першому розділі розглянуто теоретичні засади QML, проаналізовано взаємозв'язок квантових обчислень і машинного навчання, описано сучасні алгоритмічні підходи QML, зокрема квантові ядрові методи, варіаційні квантові схеми, квантові нейронні мережі та гібридні моделі. Також визначено основні переваги, обмеження та проблемні аспекти застосування QML, пов'язані з NISQ-пристроями, кодуванням даних, стабільністю навчання та інтерпретованістю результатів. У другому розділі виконано огляд та порівняльний аналіз фреймворків QML. Було сформовано критерії оцінювання, що охоплюють архітектурні особливості фреймворків, динаміку навчання, якість класифікації, обчислювальну вартість та стабільність середовища. Проаналізовано можливості PennyLane, TorchQuantum, TensorFlow Quantum, Qulacs, Qibo та Amazon Braket, а також обґрунтовано вибір інструментів для подальшої практичної реалізації. В третьому розділі реалізовано практичну задачу багатокласової класифікації модуляцій BPSK, QPSK, 8PSK та QAM16 на основі датасетів RadioML 2016.10A та RadioML 2016.10В. Було виконано попередню підготовку сигналових даних, сформовано ознаковий простір, реалізовано моделі TorchQuantumFineTuned та QiboFineTuned, проведено внутрішнє й зовнішнє тестування, а також здійснено порівняльний аналіз отриманих результатів. За підсумками експериментів встановлено, що обидві моделі є працездатними для задачі класифікації I/Q-сигналів, при цьому QiboFineTuned продемонструвала дещо вищу якість на внутрішньому тесті та меншу обчислювальну вартість, а TorchQuantumFineTuned показала близькі результати на зовнішньому наборі даних.
Description
Keywords
Quantum Machine Learning, QML, радіосигнали, RadioML, автоматична класифікація, Qibo, TorchQuantum, квантово-класичні моделі, бакалаврська робота