Modello ibrido CNN-QNN ottimizza le caratteristiche correlate per la classificazione delle immagini

Uno studio recente introduce un approccio ibrido che unisce le reti neurali convoluzionali (CNN) con le reti neurali quantistiche (QNN) per migliorare l'accuratezza della classificazione delle immagini. Questa tecnica migliora la correlazione tra le caratteristiche CNN che servono come input per la QNN, incorporando deliberatamente caratteristiche correlate che si allineano meglio con le QNN, in contrasto con i metodi precedenti che utilizzavano la decomposizione ortogonale. Sfruttando la capacità unica della QNN di utilizzare l'entanglement quantistico per rappresentare stati correlati, che le reti neurali classiche non possono ottenere, gli autori suggeriscono che allineare le correlazioni delle caratteristiche con la struttura di entanglement della QNN migliora i risultati di classificazione binaria. Le simulazioni Monte Carlo, basate su un'analisi matematica delle uscite QNN, rivelano che una correlazione media delle caratteristiche di 0,5 produce la migliore accuratezza di classificazione. Il modello ibrido quantistico-classico è testato su tre compiti, incluso CIFAR-10 (autom...). Questa ricerca è accessibile su arXiv con identificatore 2608.04379.