МАШИНАЛЫҚ ОҚЫТУҒА АРНАЛҒАН ГИБРИДТІ КВАНТТЫҚ-КЛАССИКАЛЫҚ АЛГОРИТМДЕРІН ЗЕРТТЕУ
##plugins.pubIds.doi.readerDisplayName##:
https://doi.org/10.54309/IJICT.2026.27.3.017Кілт сөздер:
гибридті кванттық-классикалық алгоритмдер, машиналық оқыту, вариациялық кванттық алгоритмдер, кванттық нейрондық желілер, параметрленген кванттық тізбектер, NISQ құрылғыларыАңдатпа
Аннотация. HQML жүйелерінің архитектуралары кванттық сипаттамаларды кодтауды классикалық оңтайландырулармен біріктіру арқылы NISQ құрылғылары шегінде жұмыс істеуге мүмкіндік береді. Осы мақалада біз 2014 жылдан бастап 2026 жылға дейінгі HQML жөніндегі әдебиеттерге жүйелі шолу жасаймыз. PRISMA-ға негізделген тәсіл бойынша 1 247 мақала іріктеліп, жан-жақты бағалау үшін 40 негізгі мақала таңдалды. Біз денсаулық сақтау және қаржы салаларындағы жіктеу мен оңтайландыру тапсырмаларында қолданылатын VQAs, QNNs және PQCs-ге назар аударамыз. Баррен-плато мәселесі мен деректерді кодтау ауыртпалығы сияқты бірнеше шешілмеген техникалық қиындықтар қарастырылған. Нәтижелер гибридті тәсілдердің аз деректер мен сыныптардың теңгерімсіздігі жағдайларында тұрақты артықшылықтар көрсететінін көрсетеді: шағын медициналық деректер жиынтығында дәлдік 0,3%-дан 2,5%-ға дейін өседі және қаржылық алаяқтықты анықтауда XGBoost-пен салыстырғанда бірдей тиімді әрі деректерді үнемді пайдаланады. Біздің зерттеуіміз әрі қарай зерттеуді қажет ететін бес маңызды бағытты анықтады, олардың ішінде стандартты бенчмарктердің және үйрену қисығын талдаудың жоқтығы ең маңыздысы болып табылады.
##plugins.generic.usageStats.downloads##
Жарияланды
Дәйексөзді қалай келтіруге болады
Журналдың саны
Бөлім
Лицензия
Авторлық құқық (c) 2026 ХАЛЫҚАPАЛЫҚ АҚПАРАТТЫҚ ЖӘНЕ КОММУНИКАЦИЯЛЫҚ ТЕХНОЛОГИЯЛАР ЖУРНАЛЫ
Бұл жұмыс Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 Дүние жүзінде.
https://creativecommons.org/licenses/by-nc-nd/3.0/deed.en