Исследователи из Шри-Ланки представили инновационный метод, который использует проекционные квантовые ядра для улучшения свёрточных нейронных сетей при работе с малыми наборами данных. Результаты, опубликованные в материалах конференции IEEE 2024, показывают значительный рост точности классификации изображений на известных датасетах MNIST и CIFAR-10.
Эксперименты показали, что CNN, усиленная квантовыми ядрами, достигла точности 95% на MNIST и 90% на CIFAR-10, используя всего 1000 обучающих примеров. Классическая CNN в тех же условиях показала лишь 60% и 12% точности соответственно. Проекционные квантовые ядра, основанные на принципах квантовых вычислений, помогают сети выявлять более сложные паттерны и структуры в данных, которые традиционные методы могут пропустить.
Проблема зависимости эффективности CNN от больших размеченных датасетов является ключевым ограничением для многих практических приложений, где данных мало. Предложенный гибридный подход открывает путь к использованию мощных нейросетевых архитектур в условиях дефицита данных, что актуально для медицины, научных исследований и узкоспециализированных индустрий.
Работа демонстрирует практический потенциал квантово-вдохновленных методов для решения фундаментальных проблем машинного обучения и указывает на перспективность дальнейших исследований в области квантово-гибридных нейронных сетей.
