Порівняльний аналіз сучасних алгоритмів та фреймворків для Quantum Machine Learning

Simple item page
dc.contributor.advisorГороховський, Кирилоuk_UA
dc.contributor.authorРеуцька, Арина uk_UA
dc.date.accessioned2026-08-03T14:04:51Z
dc.date.available2026-08-03T14:04:51Z
dc.date.issued2026
dc.description.abstractВ 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.uk_UA
dc.identifier.urihttps://ekmair.ukma.edu.ua/handle/123456789/40702
dc.language.isoukuk_UA
dc.statusfirst publisheduk_UA
dc.subjectQuantum Machine Learning en_US
dc.subjectQML en_US
dc.subjectрадіосигналиuk_UA
dc.subjectRadioML en_US
dc.subjectавтоматична класифікаціяuk_UA
dc.subjectQibo en_US
dc.subjectTorchQuantum en_US
dc.subjectквантово-класичні моделіuk_UA
dc.subjectбакалаврська роботаuk_UA
dc.titleПорівняльний аналіз сучасних алгоритмів та фреймворків для Quantum Machine Learninguk_UA
dc.typeOtheruk_UA
Files
Original bundle
Now showing 1 - 2 of 2
Thumbnail Image
Name:
Reutska_Bakalavrska_robota.pdf
Size:
948.85 KB
Format:
Adobe Portable Document Format
Download
Thumbnail Image
Name:
Reutska_Bakalavrska_robota_1.pdf
Size:
820.65 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
F2 Інженерія програмного забезпечення