Статистическое онлайн-обучение в рекуррентных и прямого распространения квантовых нейронных сетях

Цели. Для систем адаптивного искусственного интеллекта вопрос о возможности онлайн-обучения является особенно важным, так как такое обучение и обеспечивает адаптацию. Цель работы – рассмотреть методы квантового машинного онлайн-обучения для наиболее распространенных двух архитектур квантовых нейронных сетей: прямого распространения и рекуррентной.
Методы. В работе используется доступный на PyPI модуль quantumz для эмуляции квантовых вычислений и создания искусственных квантовых нейронных сетей. Кроме того, для преобразования размерностей данных используется модуль genser, обеспечивающий обратимую трансформацию размерностей без потери информации. Данные для экспериментов взяты из открытых источников. В работе реализуется метод машинного обучения без оптимизации, предложенный автором ранее.
Результаты. Представлены и экспериментально подтверждены алгоритмы онлайн-обучения для рекуррентной и прямого распространения квантовой нейронной сети.
Выводы. Предложенные алгоритмы обучения являются инструментами для интеллектуального анализа данных, а также для создания адаптивных интеллектуальных систем управления. Разработанное алгоритмическое обеспечение может полностью раскрыть свой потенциал только на квантовых вычислителях, но, в случае небольшого числа квантовых регистров, может быть применено и в системах, эмулирующих квантовые вычисления, или в фотонных вычислителях.