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...

Full description

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/
id UDEA2_eb96c85aac91db51e4a294fc161ecec6
oai_identifier_str oai:bibliotecadigital.udea.edu.co:10495/37565
network_acronym_str UDEA2
network_name_str Repositorio UdeA
repository_id_str
dc.title.spa.fl_str_mv Evaluación del impacto de la computación cuántica en la clasificación de imágenes mediante modelos de CNN
title Evaluación del impacto de la computación cuántica en la clasificación de imágenes mediante modelos de CNN
spellingShingle Evaluación del impacto de la computación cuántica en la clasificación de imágenes mediante modelos de CNN
Aprendizaje profundo
Deep Learning
Redes neurales (computadores)
Neural networks (Computer science)
Computadores cuánticos
Quantum computers
Computación cuántica
Clasificación Binaria de Imágenes
title_short Evaluación del impacto de la computación cuántica en la clasificación de imágenes mediante modelos de CNN
title_full Evaluación del impacto de la computación cuántica en la clasificación de imágenes mediante modelos de CNN
title_fullStr Evaluación del impacto de la computación cuántica en la clasificación de imágenes mediante modelos de CNN
title_full_unstemmed Evaluación del impacto de la computación cuántica en la clasificación de imágenes mediante modelos de CNN
title_sort Evaluación del impacto de la computación cuántica en la clasificación de imágenes mediante modelos de CNN
dc.creator.fl_str_mv Vargas Mejia, Johan Arbey
dc.contributor.advisor.none.fl_str_mv Botia Valderrama, Javier Fernando
dc.contributor.author.none.fl_str_mv Vargas Mejia, Johan Arbey
dc.subject.decs.none.fl_str_mv Aprendizaje profundo
Deep Learning
topic Aprendizaje profundo
Deep Learning
Redes neurales (computadores)
Neural networks (Computer science)
Computadores cuánticos
Quantum computers
Computación cuántica
Clasificación Binaria de Imágenes
dc.subject.lemb.none.fl_str_mv Redes neurales (computadores)
Neural networks (Computer science)
Computadores cuánticos
Quantum computers
dc.subject.proposal.spa.fl_str_mv Computación cuántica
Clasificación Binaria de Imágenes
description 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.
publishDate 2023
dc.date.accessioned.none.fl_str_mv 2023-12-12T20:59:50Z
dc.date.available.none.fl_str_mv 2023-12-12T20:59:50Z
dc.date.issued.none.fl_str_mv 2023
dc.type.spa.fl_str_mv Tesis/Trabajo de grado - Monografía - Especialización
dc.type.coar.spa.fl_str_mv http://purl.org/coar/resource_type/c_46ec
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/COther
dc.type.coarversion.spa.fl_str_mv http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/other
dc.type.version.spa.fl_str_mv info:eu-repo/semantics/draft
format http://purl.org/coar/resource_type/c_46ec
status_str draft
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/10495/37565
url https://hdl.handle.net/10495/37565
dc.language.iso.spa.fl_str_mv spa
language spa
dc.rights.uri.spa.fl_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/4.0/
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.spa.fl_str_mv 44
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.publisher.spa.fl_str_mv Universidad de Antioquia
dc.publisher.place.spa.fl_str_mv Medellín, Colombia
dc.publisher.faculty.spa.fl_str_mv Facultad de Ingeniería. Especialización en Analítica y Ciencia de Datos
institution Universidad de Antioquia
bitstream.url.fl_str_mv https://bibliotecadigital.udea.edu.co/bitstreams/6ef6af0c-71be-4108-9e1b-3d48799a5b02/download
https://bibliotecadigital.udea.edu.co/bitstreams/61972323-45b8-4a64-95c1-298b6fcaf2bc/download
https://bibliotecadigital.udea.edu.co/bitstreams/8aedf8fd-95a0-4ac1-a28e-131cb9b9eb43/download
https://bibliotecadigital.udea.edu.co/bitstreams/a22ef0d7-311f-414f-884d-96f8c8a83b63/download
https://bibliotecadigital.udea.edu.co/bitstreams/e9a894b8-576f-4d09-be48-7b0cda398115/download
bitstream.checksum.fl_str_mv 95216b3e241105bfd8683596c3c18940
caa1c6db7399b39d1660b7b4ecfc9150
8a4605be74aa9ea9d79846c1fba20a33
8cff8f2f9a6d65317fa69abefb0a3f8b
34fe5b36e12263ac1d9eafbb97c24933
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional de la Universidad de Antioquia
repository.mail.fl_str_mv aplicacionbibliotecadigitalbiblioteca@udea.edu.co
_version_ 1851052161400569856
spelling Botia Valderrama, Javier FernandoVargas Mejia, Johan Arbey2023-12-12T20:59:50Z2023-12-12T20:59:50Z2023https://hdl.handle.net/10495/37565RESUMEN : 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.EspecializaciónEspecialista en Analítica y Ciencia de Datos44application/pdfspaUniversidad de AntioquiaMedellín, ColombiaFacultad de Ingeniería. Especialización en Analítica y Ciencia de Datoshttps://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Evaluación del impacto de la computación cuántica en la clasificación de imágenes mediante modelos de CNNTesis/Trabajo de grado - Monografía - Especializaciónhttp://purl.org/coar/resource_type/c_46echttp://purl.org/redcol/resource_type/COtherhttp://purl.org/coar/version/c_b1a7d7d4d402bcceinfo:eu-repo/semantics/otherinfo:eu-repo/semantics/draftAprendizaje profundoDeep LearningRedes neurales (computadores)Neural networks (Computer science)Computadores cuánticosQuantum computersComputación cuánticaClasificación Binaria de ImágenesPublicationORIGINALVargasJohan_2023_RedConvolucionalCuantica.pdfVargasJohan_2023_RedConvolucionalCuantica.pdfTrabajo de grado de especializaciónapplication/pdf3092213https://bibliotecadigital.udea.edu.co/bitstreams/6ef6af0c-71be-4108-9e1b-3d48799a5b02/download95216b3e241105bfd8683596c3c18940MD53trueAnonymousREADAnexoA_Notebook.zipAnexoA_Notebook.zipAnexoapplication/zip192691https://bibliotecadigital.udea.edu.co/bitstreams/61972323-45b8-4a64-95c1-298b6fcaf2bc/downloadcaa1c6db7399b39d1660b7b4ecfc9150MD55falseAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://bibliotecadigital.udea.edu.co/bitstreams/8aedf8fd-95a0-4ac1-a28e-131cb9b9eb43/download8a4605be74aa9ea9d79846c1fba20a33MD56falseAnonymousREADTEXTVargasJohan_2023_RedConvolucionalCuantica.pdf.txtVargasJohan_2023_RedConvolucionalCuantica.pdf.txtExtracted texttext/plain62012https://bibliotecadigital.udea.edu.co/bitstreams/a22ef0d7-311f-414f-884d-96f8c8a83b63/download8cff8f2f9a6d65317fa69abefb0a3f8bMD59falseAnonymousREADTHUMBNAILVargasJohan_2023_RedConvolucionalCuantica.pdf.jpgVargasJohan_2023_RedConvolucionalCuantica.pdf.jpgGenerated Thumbnailimage/jpeg6106https://bibliotecadigital.udea.edu.co/bitstreams/e9a894b8-576f-4d09-be48-7b0cda398115/download34fe5b36e12263ac1d9eafbb97c24933MD510falseAnonymousREAD10495/37565oai:bibliotecadigital.udea.edu.co:10495/375652025-03-26 17:53:46.229https://creativecommons.org/licenses/by-nc-sa/4.0/open.accesshttps://bibliotecadigital.udea.edu.coRepositorio Institucional de la Universidad de Antioquiaaplicacionbibliotecadigitalbiblioteca@udea.edu.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