Evaluación del impacto de la computación cuántica en la clasificación de imágenes mediante modelos de CNN
RESUMEN : Este estudio se centra en la evaluación del impacto que la computación cuántica tiene en la clasificación de imágenes, empleando modelos de Redes Neuronales Convolucionales (CNN). El objetivo principal es comparar el desempeño de modelos tradicionales de CNN desarrollados con TensorFlow y...
- Autores:
-
Vargas Mejia, Johan Arbey
- Tipo de recurso:
- Tesis
- Fecha de publicación:
- 2023
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/37565
- Acceso en línea:
- https://hdl.handle.net/10495/37565
- Palabra clave:
- Aprendizaje profundo
Deep Learning
Redes neurales (computadores)
Neural networks (Computer science)
Computadores cuánticos
Quantum computers
Computación cuántica
Clasificación Binaria de Imágenes
- Rights
- openAccess
- License
- https://creativecommons.org/licenses/by-nc-sa/4.0/
| Summary: | RESUMEN : Este estudio se centra en la evaluación del impacto que la computación cuántica tiene en la clasificación de imágenes, empleando modelos de Redes Neuronales Convolucionales (CNN). El objetivo principal es comparar el desempeño de modelos tradicionales de CNN desarrollados con TensorFlow y PyTorch contra modelos que integran un circuito cuántico como elemento distintivo de procesamiento. La metodología involucra la aplicación de un conjunto de datos estandarizado de imágenes de retratos, donde cada modelo CNN, uno basado en TensorFlow y otro en PyTorch, es entrenado y evaluado en su capacidad de clasificar las imágenes de forma binaria. Posteriormente, se introduce un circuito cuántico con el propósito de explorar las ventajas potenciales que la superposición y el entrelazado cuánticos pueden ofrecer en el proceso de clasificación. Los resultados obtenidos sugieren que la integración de circuitos cuánticos en la arquitectura de las redes neuronales convolucionales no solo es viable, sino que también produce resulta- dos competitivos en comparación con los enfoques clásicos establecidos. Este rendimiento es notable dado que la computación cuántica, aún en su naciente integración con técnicas de aprendizaje profundo, logra igualar casi a la perfección los resultados de su homólogo clásico. Esta paridad de rendimiento destaca el potencial significativo de los circuitos cuánticos en enriquecer y potenciar las capacidades de las CNN en tareas de clasificación de imágenes. |
|---|
