I. Giới thiệu và mục tiêu nghiên cứu
Luận văn tập trung vào phát triển mô hình tích chập lượng tử động (Dynamic Quantum Convolutional Neural Network - Dynamic QNN) cho bài toán phân lớp ảnh. Mục tiêu chính là khắc phục những hạn chế của mô hình Convolutional Neural Network (CNN) truyền thống, bao gồm chi phí tính toán cao, yêu cầu dữ liệu huấn luyện lớn và thiếu tính tổng quát. Dynamic QNN được đề xuất nhằm tận dụng ưu điểm của tính toán lượng tử để cải thiện hiệu suất và độ chính xác trong các tác vụ phân lớp ảnh.
1.1. Đóng góp của luận văn
Luận văn đóng góp bằng việc đề xuất mô hình Dynamic QNN, một phiên bản cải tiến từ Quantum Neural Network (QNN). Nghiên cứu đánh giá tác động của các hyper-parameter lên hiệu suất của mô hình và thử nghiệm các cấu hình khác nhau để tìm ra cấu hình tối ưu. Kết quả nghiên cứu được áp dụng trên các tập dữ liệu phổ biến như MNIST, F-MNIST và CIFAR-10.
1.2. Phạm vi nghiên cứu
Phạm vi nghiên cứu bao gồm việc khảo sát các cấu trúc Quanvolutional filter khác nhau, đánh giá độ chính xác và chi phí tính toán của Dynamic QNN so với CNN. Luận văn cũng giải quyết các câu hỏi liên quan đến tính phụ thuộc dữ liệu và độ sâu tối thiểu của Quanvolutional filter để đạt được lợi thế so với các mô hình truyền thống.
II. Cơ sở lý thuyết và bài toán phân lớp ảnh
Luận văn trình bày cơ sở lý thuyết về bài toán phân lớp ảnh, mô hình CNN và tính toán lượng tử. Phân lớp ảnh là một bài toán quan trọng trong thị giác máy tính, với mục tiêu là tìm ánh xạ từ ảnh đầu vào sang nhãn đầu ra. CNN là mô hình hiệu quả trong việc trích xuất đặc trưng từ ảnh, nhưng gặp hạn chế về chi phí tính toán và tính tổng quát.
2.1. Mô hình CNN và hạn chế
CNN yêu cầu số lượng parameter và dữ liệu huấn luyện lớn, dễ bị overfitting khi tập dữ liệu nhỏ. Chi phí tính toán tăng nhanh khi mô hình sâu và kích thước ảnh lớn, gây khó khăn cho các thiết bị có khả năng tính toán hạn chế. CNN cũng thiếu tính tổng quát, chỉ hoạt động tốt trong miền dữ liệu được huấn luyện.
2.2. Tính toán lượng tử và Quantum Machine Learning
Tính toán lượng tử kết hợp với Machine Learning tạo thành Quantum Machine Learning (QML), mang lại tốc độ tính toán tăng theo cấp số nhân nhờ hiện tượng superposition và entanglement. Các mô hình như Quantum Neural Network (QuNN) và Quantum Convolutional Neural Network (QCNN) đã chứng minh hiệu quả vượt trội so với các mô hình cổ điển về kích thước và tốc độ huấn luyện.
III. Xây dựng mô hình Dynamic QNN
Luận văn đề xuất mô hình Dynamic QNN, một phiên bản cải tiến từ QNN, nhằm tối ưu hóa hiệu suất và độ chính xác trong bài toán phân lớp ảnh. Mô hình này được thiết kế để linh hoạt hơn trong việc xử lý các cấu trúc và kích thước Quanvolutional filter khác nhau.
3.1. Cấu trúc và thiết kế mô hình
Dynamic QNN được xây dựng dựa trên các biến thể của QNN, kết hợp với các cấu trúc mạch lượng tử như star, polygon và chain. Mô hình này cho phép điều chỉnh độ sâu và kích thước của Quanvolutional filter để phù hợp với các tập dữ liệu khác nhau.
3.2. Thử nghiệm và đánh giá
Luận văn thực hiện thử nghiệm trên các tập dữ liệu MNIST, F-MNIST và CIFAR-10 để đánh giá độ chính xác và chi phí tính toán của Dynamic QNN. Kết quả cho thấy mô hình này đạt được độ chính xác cao hơn so với CNN trong một số trường hợp, đồng thời giảm thiểu chi phí tính toán.
IV. Kết quả và ứng dụng thực tiễn
Luận văn đưa ra các kết quả thực nghiệm cho thấy Dynamic QNN có tiềm năng lớn trong việc cải thiện hiệu suất của các hệ thống phân lớp ảnh. Mô hình này có thể được ứng dụng trong các hệ thống camera thông minh, nhận dạng hình ảnh và các lĩnh vực khác đòi hỏi độ chính xác cao và tốc độ xử lý nhanh.
4.1. So sánh với các mô hình khác
Kết quả so sánh giữa Dynamic QNN và CNN cho thấy mô hình lượng tử đạt được độ chính xác cao hơn trên các tập dữ liệu MNIST và F-MNIST, đồng thời giảm thiểu số lượng parameter và chi phí tính toán. Điều này chứng minh tính khả thi của việc kết hợp tính toán lượng tử vào các mô hình Machine Learning.
4.2. Đề xuất cấu hình tối ưu
Dựa trên kết quả thực nghiệm, luận văn đề xuất các cấu hình tối ưu cho Dynamic QNN, bao gồm độ sâu và kích thước Quanvolutional filter phù hợp với từng tập dữ liệu. Các đề xuất này có thể được áp dụng trong các nghiên cứu và ứng dụng thực tế để cải thiện hiệu suất của các hệ thống phân lớp ảnh.
V. Kết luận và hướng phát triển
Luận văn kết luận rằng Dynamic QNN là một mô hình tiềm năng trong việc cải thiện hiệu suất của các hệ thống phân lớp ảnh. Mô hình này kết hợp ưu điểm của tính toán lượng tử và Machine Learning, mang lại độ chính xác cao và chi phí tính toán thấp hơn so với các mô hình truyền thống.
5.1. Hướng phát triển tương lai
Hướng phát triển tương lai bao gồm việc tối ưu hóa các cấu trúc mạch lượng tử và mở rộng ứng dụng của Dynamic QNN trên các tập dữ liệu lớn hơn và phức tạp hơn. Nghiên cứu cũng hướng đến việc tích hợp Dynamic QNN vào các hệ thống thông minh để cải thiện hiệu suất và độ chính xác trong các tác vụ thực tế.
5.2. Đóng góp và ý nghĩa thực tiễn
Luận văn đóng góp vào việc phát triển các mô hình Machine Learning kết hợp tính toán lượng tử, mở ra hướng nghiên cứu mới trong lĩnh vực trí tuệ nhân tạo và thị giác máy tính. Các kết quả nghiên cứu có ý nghĩa thực tiễn trong việc xây dựng các hệ thống phân lớp ảnh hiệu quả và tiết kiệm chi phí.
