MẠNG NƠ-RON LƯỢNG TỬ LAI VÀ ỨNG DỤNG TRONG NHẬN DẠNG HÌNH ẢNH VIẾT TAY

Trương Văn Minh; Nguyễn Minh Chiến; Phạm Sĩ Anh Đức; Nguyễn Thị Hồng; Nguyễn Hoàng Hưng Gia; Dụng Văn Lữ

doi:10.34238/tnu-jst.12645

MẠNG NƠ-RON LƯỢNG TỬ LAI VÀ ỨNG DỤNG TRONG NHẬN DẠNG HÌNH ẢNH VIẾT TAY

Thông tin bài báo

Ngày nhận bài: 21/04/25 Ngày hoàn thiện: 26/06/25 Ngày đăng: 28/06/25

Các tác giả

1. Trương Văn Minh, Trường Đại học Sư phạm – Đại học Đà Nẵng
2. Nguyễn Minh Chiến, Trường Đại học Sư phạm – Đại học Đà Nẵng
3. Phạm Sĩ Anh Đức, Trường Đại học Sư phạm – Đại học Đà Nẵng
4. Nguyễn Thị Hồng, Trường Đại học Sư phạm – Đại học Đà Nẵng
5. Nguyễn Hoàng Hưng Gia, Trường Đại học Sư phạm – Đại học Đà Nẵng
6. Dụng Văn Lữ , Trường Đại học Sư phạm – Đại học Đà Nẵng

Tóm tắt

Hiện nay, nhiều mô hình mạng nơ-ron như mạng nơ-ron tích chập, mạng nơ-ron hồi tiếp, mạng nơ-ron truyền thẳng… phát triển mạnh mẽ và giải quyết được nhiều vấn đề trong học máy. Tuy nhiên, đối với những bài toán cần xử lí dữ liệu lớn thì mạng nơ-ron gặp một số thách thức chưa giải quyết được, độ chính xác thấp hay cần thời gian dài. Vì vậy, nghiên cứu này đề xuất sử dụng mô hình mạng nơ-ron lượng tử lai, kết hợp giữa máy học cổ điển và tính toán lượng tử. Tính toán lượng tử giúp tăng tốc tính toán và nâng cao độ chính xác nhờ khả năng xử lý song song và tính chất đặc trưng của cơ học lượng tử. Trong nghiên cứu này, chúng tôi triển khai mô hình mạng nơ-ron lượng tử lai bằng cách dùng kết hợp hai nền tảng Pytorch và Qiskit chạy trên Visual Studio Code. Kết quả thực nghiệm cho thấy mô hình đạt độ chính xác lần lượt đạt 98,5% và 93,3% trong nhận dạng số và chữ viết tay, khẳng định tiềm năng ứng dụng của mạng nơ-ron lượng tử lai trong các bài toán nhận dạng.

Từ khóa

Thuật toán lượng tử; Tính toán lượng tử; Mạng noron lượng tử lai; Nhận dạng hình ảnh; PyTorch và Qiskit

Toàn văn:

PDF

Tài liệu tham khảo

[1] W. S. McCulloch and W. Pitts, “A logical calculus of the ideas immanent in nervous activity,” Bull. Math. Biophys., vol. 5, pp. 115–133, 1943, doi: 10.1007/BF02478259.

[2] R. Dastres and M. Soori, “Artificial neural network systems,” Int. J. Imag. Robot., vol. 21, no. 2, pp. 13–25, 2021.

[3] M. Baek et al., “Accurate prediction of protein structures and interactions using a three-track neural network,” Science, vol. 373, no. 6557, pp. 871–876, 2021, doi:10.1126/science.abj8754.

[4] J. Jumper et al., “Highly accurate protein structure prediction with AlphaFold,” Nature, vol. 596, no. 7873, pp. 583–589, 2021.

[5] D. T. Jones and J. M. Thornton, “The impact of AlphaFold2 one year on,” Nat. Methods, vol. 19, pp. 11–26, 2022.

[6] F. S. Zariquiey, R. Galvelis, E. Gallicchio, J. D. Chodera, T. E. Markland, and G. de Fabritiis, “Enhancing protein-ligand binding affinity predictions using neural network potentials,” arXiv preprint arXiv:2401.00002, 2024.

[7] J. L. Watson et al., “De novo design of protein structure and function with RFdiffusion,” Nature, vol. 620, no. 7976, pp. 1089–1100, 2023.

[8] N. Q. K. Le, V. N. Nguyen, T. T. Nguyen, T. X. Tran, and T. T. Ho, “Enhancing protein sequence classification with a fuzzy neural network: A study in anticancer peptide identification,” in Proc. 2024 Int. Conf. Fuzzy Theory Appl. (iFUZZY), Aug. 2024, pp. 1–6.

[9] N. J. Ogbuke, Y. Y. Yusuf, K. Dharma, and B. Mercangoz, “Big data supply chain analytics: Ethical, privacy and security challenges posed to business, industries and society,” Prod. Plan. Control, vol. 33, no. 2–3, pp. 123–137, 2022, doi: 10.1080/09537287.2020.1810764.

[10] M. A. Shafique, A. Munir, and I. Latif, “Quantum computing: Circuits, algorithms, and applications,” IEEE Access, vol. 12, pp. 22296–22314, 2024.

[11] H. Padmanaban, “Quantum computing and AI in the cloud,” J. Comput. Intell. Robot., vol. 4, no. 1, pp. 14–32, 2024.

[12] Y. Kwak, W. J. Yun, S. Jung, and J. Kim, “Quantum neural networks: Concepts, applications, and challenges,” in Proc. 12th Int. Conf. Ubiquitous Future Netw. (ICUFN), Aug. 2021, pp. 413–416.

[13] S. Wu, Y. Zhang, and J. Li, “Quantum data parallelism in quantum neural networks,” Phys. Rev. Res., vol. 7, no. 1, 2025, Art. no. 013177.

[14] P. N. Nguyen, “Biomarker discovery with quantum neural networks: A case-study in CTLA4-activation pathways,” BMC Bioinformatics, vol. 25, no. 1, 2024, Art. no. 149.

[15] M. Kashif, A. Marchisio, and M. Shafique, “Computational advantage in hybrid quantum neural networks: Myth or reality?,” arXiv preprint arXiv:2412.04991, 2024.

[16] M. A. Hafeez, A. Munir, and H. Ullah, “H-QNN: A hybrid quantum–classical neural network for improved binary image classification,” AI, vol. 5, no. 3, pp. 1462–1481, 2024.

[17] R. Agarwal, “Complete Guide to the Adam Optimization Algorithm,” Built In, 2023. [Online]. Available: https://builtin.com/machine-learning/adam-optimization. [Accessed March 7, 2025].

[18] Ultralytics, “MNIST Dataset,” 2023. [Online]. Available: https://docs.ultralytics.com/datasets/classify/mnist/#key-features. [Accessed Mar. 20, 2025].

[19] V. M. Truong and M. C. Nguyen, “Quantum hybrid neural network structure,” (in Vietnamese), 2024. [Online]. Available: https://drive.google.com/drive/folders/1Sh7O87q22BCZL9cdmPFjW9 fdurk2u7Ng?usp=sharing. [Accessed Jan 8, 2025].

[20] N. Ketkar and M. Masko, Deep Learning with PyTorch: A Practical Approach to Building Neural Network Models Using PyTorch. Apress, 2019.

[21] S. Patel, “A-Z handwritten alphabets in CSV format,” *Kaggle*, 2020. [Online]. Available: https://www.kaggle.com/datasets/sachinpatel21/az-handwritten-alphabets-in-csv-format. [Accessed Jan 19, 2025].

DOI: https://doi.org/10.34238/tnu-jst.12645

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ