بررسی عملکرد تحول زمانی سیستم با استفاده از شبکه عصبی کوانتومی

یادگیری ماشین کوانتومی اخیرا توجه زیادی را از سوی جامعه محاسبات کوانتومی به خود جلب کرده است شبکه عصبیکوانتومی همانند شبکه هاپفیلد کلاسیکی بر پایه بهینه سازی انرژی یک تابع انرژی طراحی خواهد شد .برای گذار به فضایکوانتومی نیاز است تا تغییراتی مناسب با فضای کوانتومی و قواعد حاکم بر آن بیان شود.. تابع انرژی کلاسیکی شبکه هاپفیلد نیزدستخوش تغییر خواهد شد و از یک هامیلتونی کوانتومی به جای آن استفاده خواهد شد که به تشریح آن خواهیم پرداخت هنگامی که حالت توصیف کننده شبکه عصبی با یک حالت کوانتومی مانند <ɸ می تواند همانند قبل باقی بماند تحول این حالت نیز دیگر از قوانین مکانیک کوانتومی و تحول سیستم که همگی در فصل قبل معرفی شده اند پیروی کند .تحول مورد نظردر این شبکه عبارت است از یک تحول بیدررو از حالت پایه یک هامیلتونی اولیه که به آسانی قابل طراحی است به یکهامیلتونی پایانی که جواب مسئله در حالت پایه آن کدگذاری شده است .استفاده از روش محاسبات کوانتومی بیدررو به عنوانیک روش بهینه سازی بهره خاصی را به شبکه عصبی کوانتومی اضافه خواهد کرد و آن بهره گیری از بهینه سازی مطلق حالتنهایی سیستم است که میتواند در بهبود عملکرد شبکه بسیار موثر باشد

کلیدواژه ها:

یادگیری ماشین کوانتومی ، شبکه عصبی کوانتومی ، شبکه هاپفیلد کلاسیکی ، بهینه سازی