Integriertes Modell Quantum Computing und Kecerdasan für die Klassifizierung von Gambar Relief Karmawibhangga Pada Candi Borobudur | von Dimas Mulya | Juni 2023

Gambaran umum & Tujuan

Das Studium der Quantenphysik ist für die Quantenanalyse von entscheidender Bedeutung, da sie in die Kategorien „nicht mehr“ und „nicht mehr“ eingeordnet werden müssen. Die von mir verwendete Methode wird von einem Unternehmen (Künstliche Intelligenz/KI) und Computern für die Datenerfassung und -identifizierung verwendet, da die Daten, die sie erhalten, mit der Qualität „abgekürzt“ und „abgekürzt“ auf ihrem Konto angezeigt werden.

Beschreibung des Datensatzes

Der Datensatz wird in den letzten 10 Jahren gespeichert und enthält die Bezeichnung „Buruk“ oder „Baik“. Der Datensatz wird in diesem Fall mit Beispielen gefüllt, die nur dann angezeigt werden, wenn ein Objekt oder ein visueller Inhalt angezeigt wird. Jumlah-Pattern-Dalam-Dataset-Ini-Dapat-Dissuaikan-Dengan-Cebutuhan-Penelitian, die bis zur Memiliki-Jumlah-Pattern-Pattern-Yang-Cukup-Melatih-Mannequin-Secara-Efficient reichen.

Jadi, sagen Sie, dass Sie viele Sekilas von Candi Borobudur und Salah Satu Aid Yang Ada di Dalamnya erhalten.

Borobudur ist ein beliebtes technisches Denkmal. Als die Ära begann, wurde die Technologie in diesem Jahr zum ersten Mal genutzt, um die Denkmäler von Borobudur zu beeindrucken.

Seri-Datensätze sind für Karmawibhangga geeignet. Karmawibhangga ist ein sicherer Ort, an dem die Kaki-Kaninchen von Borobudur gelindert werden, wenn sie von der Straße aus in die Luft geschleudert werden. Jadi, so viele Leute haben es nicht geschafft, bis zu einem gewissen Grad einen Fehler zu machen, und viele Leute haben es nicht geschafft, bis zu einem gewissen Grad zu warten.

Jumlah Pattern Dalam-Datensatz

Das bedeutet, dass es sich um ein Modell handelt, ein Datensatz, dessen Daten vorverarbeitet und transformiert werden müssen. Das bedeutet, dass Sie nicht wissen, wie viele Dinge Sie tun müssen. Dies ist jedoch nicht der Fall, da der Code des Programms nicht angezeigt wird, Sie können den Datensatz verwenden, indem Sie 100×100 Pixel auswählen und die Methode zur Größenänderung verwenden. Die Proses-Vorverarbeitung ist für die Konsistenz von Texten und die Speicherung von Prosen erforderlich, um das Quantum-Modell zu verbessern.

Modell Quantum

In diesem Studiengang wurde das Modell Quantum Neural Community (QNN) entwickelt, um die Kategorien „nicht mehr“ und „nicht mehr“ zu unterscheiden. QNN ist ein Modell, das für die Berechnung von Daten verantwortlich ist und die Benutzerdaten nicht auswerten kann. Während QNN die Informationen über die Qualität des Qubits vertritt, werden die Informationen über die Qualität des Qubits und die damit verbundene Leistungsfähigkeit geändert.

ZZFeature-Map

ZZFeatureMap ist eine Function-Map, die dieses Modell verwendet, um die Funktion des Quantum Neural Community (QNN) darzustellen. Die Function-Map wird mit der ZZ-Rotation implementiert und bietet eine Vielzahl an Variations-Quantenklassifikatoren.

Was ZZFeatureMap zu bieten hat, ist:

Dalam rumus ini, mathbf{x} Stellen Sie einfach die Vektoreingabe dar, die Sie benötigen. Die ZZ-Rotation kann ein Qubit sein (i,j) Daraus ergibt sich, dass Z ein Qubit und ein Qubit ist. Parameter theta_{ij} Die Parameter, die Sie benötigen, um sicherzustellen, dass Sie Ihre optimale Leistung erzielen.

Penerapan QuantumInstance

Dies gilt auch für Quantum-Modelle, QuantumInstance-Modelle. QuantumInstance stellt sicher, dass die Daten nicht mehr verfügbar sind. Der Code des Programms INI, das Backend qasm_simulator, wird von Qiskit verwendet, um ein Quanten-Backend zu erstellen. Ich habe mir die Simulation von Computerspielen in einer klassischen Sprache angeschaut, um sie mit dem Quantum-Modell zu vergleichen.

QuantumInstance ist ein Programmcode, der ein Objekt ist, das QuantumInstance als Backend-Komponente (GPU) verwendet. Das Backend ist großartig qasm_simulator Dari Qiskit. Berikut ist eine Frage des Programmcodes:

1. Pada baris pertama, Backend Aer.get_backend('qasm_simulator') Stellen Sie sicher, dass die Backend-Instanz Ihnen die Möglichkeit gibt, eine Computersimulation durchzuführen.
2. Kemudian, Objekt QuantumInstance Dibuat diesen Parameter backend Sie verfügen über ein Backend, das Sie nicht kennen. Ich habe das Quantum-Backend-Modell so gestaltet, dass es für die Zukunft geeignet ist.

Pelatihan-Modell:

Pembagian Knowledge Latih und Knowledge Uji:

• Langkah eignet sich hervorragend für die Speicherung von Daten in Type von Latih-Daten (Zugdaten) und Uji-Daten (Testdaten). Dies bedeutet, dass dies nicht der Fall ist und keine Pilze vorhanden sind train_test_split Dari Modul sklearn.model_selection.
• Fungsi ini menerima argumen X (fitur) dan y (Label/Ziel), serta argumen test_size Um die benötigten Daten zu verwalten, werden die Daten angezeigt. Dalam Code kurz gesagt, die Daten müssen 20 % betragen, da die Daten mit Argumenten angezeigt werden test_size=0.2

Neues Pelatihan-Modell für Setiap Kelas:

• Dies bedeutet, dass das Modell die Iteration durchlaufen hat, bis es zu einer Schleife kommt for.
• Kurz gesagt, das Modell ist mit einem Objekt ausgestattet TwoLayerQNN Dan NeuralNetworkClassifier Dari Modul qiskit_machine_learning. Dieses Modell wird mit der Bezeichnung „Yang Diberikan“ ausgewählt.
• Sie müssen die Methode einstellen, um das Modell anzupassen (erweitern). match mit Argumenten X_train (Datenlatih) dan binary_labels (Beschriftung bis zum nächsten Tag).

Penggunaan Metrik Akurasi bis Mengukur Kinerja Mannequin:

• Nachdem Sie das Modell für die Erstellung ausgewählt haben, erhalten Sie Daten und Methoden zur Auswahl predict Pada Setiap-Modell.
• Die Preise, die jedes einzelne Modell bietet, können mit der Anzahl der Benutzer verbunden werden np.column_stack.
• Um ein Kinerja-Modell zu erhalten, werden die Ergebnisse angezeigt. Dalam Code tersebut, akurasi dihitung menggunakan fungsi accuracy_score Dari Modul sklearn.metrics.
• Wenn Sie die Daten nicht mehr benötigen, können Sie die Daten nicht löschen. Dies bedeutet, dass das Format „Akurasi: {:.2f}%“ angezeigt wird print.

Um diese Codes zu lesen, müssen Sie die erforderlichen Modul-Module verwenden sklearn.model_selection, sklearn.metrics, numpyDan qiskit_machine_learning. Kita juga perlu memastikan bahwa information fitur (X) und Etikett (y) Dies bedeutet, dass Sie den Datensatz nicht verwenden können.

Hasil und Analyse

Akurasi pelatihan und pengujian untuk setiap kelas:

Da diese Studien zu diesem Zeitpunkt bereits stattgefunden haben, beträgt die Wahrscheinlichkeit, dass sie 53 % für die „Bonbons“ und 48 % für die „Bonbons“ beträgt. Meskipun nilai akurasi binnen kürzester Zeit, weil Sie nichts dagegen haben, aber das ist nicht alles, was Sie brauchen, um das Modell Ihrer Daten zu verbessern.

Sie sagen, dass Sie die Visualisierung benötigen, die Sie benötigen, um ein neues Modell zu erstellen. Die Visualisierung erfolgt kurz, aber Sie können die Struktur Ihres Objekts, das Sie benötigen, um Ihr Ziel zu erreichen, erreichen.

Sie können ZZFeatureMap verwenden, um ein Qubit zu erhalten q_0 Dan q_1. ZZFeatureMap verfügt über eine umfassende Function-Map, die Ihnen die Möglichkeit gibt, Ihr Konto zu erweitern. Pada sirkuit ini, Function-Map-Mengambil-Eingabe x[0] dan x[1] Wenn Sie sich wohlfühlen, werden Sie sicher sein, dass es Ihnen intestine geht.

Sie können RealAmplitudes verwenden, um ein Qubit zu erhalten q_0 Dan q_1. RealAmplitudes ist eine Variationsform, die die gewünschte Amplitude darstellt. Pada Sirkuit ini, Parameter θ[0] Hingga θ[7] Dies führt zu einer optimalen Ausweitung der Ergebnisse.

Das Unternehmen ist in der Lage, das Modell „Quantum Neural Community (QNN)“ zu nutzen, da es sich um eine Reihe von Studiengängen handelt. Die Kombination aus Function-Map und Variationsform ermöglicht das Modell QNN, da die benötigte Menge an verfügbaren Daten verwendet werden kann, um die benötigten Daten zusammenzustellen und die Klassifizierung auf kurze Sicht zu verbessern. Meskipun nilai akurasi yang diperoleh saat ini belum encapai tingkat yang tinggi, hasil ini masih masih mitgliedikan wawasan awal yang berharga. Dieses Menü bietet viele Möglichkeiten, ein Modell zu erstellen, das in der Klassifizierung verfügbar ist. Wenn Sie ein Modell benötigen, das Sie benötigen, müssen Sie die optimalen Parameter für die Wartung auswählen, die Komponenten können vollständig ausgefüllt werden und die Technik muss bis zur endgültigen Klassifizierung verbessert werden.

Das bedeutet, dass diese Methode das Modell „Quantum Neural Community“ mit der Funktion „ZZFeatureMap“ und „RealAmplitudes“ verwendet, um die Klassifizierung zu verbessern. Meskipun nilai akurasi saat ini belum tinggi, hasil ini memberikan can nukembangan and peningkatan lebih lanjut pada mannequin kuantum dalam konteks clasifikasi gambar. Während der Prüfung der Sprache und der Parameter, die mit der Technik verbunden sind, ist es wichtig, dass die Daten nicht mehr benötigt werden.

Referenz :

Sumber-Texte: https://borobudurpedia.kemdikbud.go.id/karmawibhangga/

Datensatz: https://www.photodharma.net/Indonesia/01-Karmavibhanga-Storyboard/01-14-Health-and-Wealth.htm

Modellquantum: https://www.researchgate.net/publication/351651802_Solving_nonlinear_differential_equations_with_differentiable_quantum_schaltungen

Mach’s intestine 🙂

@dmsmulya_