ІНТЕРПРЕТОВАНА ГІБРИДНА НЕЙРО-ФАЗІ-КВАНТОВА МОДЕЛЬ ДЛЯ ЗАДАЧІ КЛАСИФІКАЦІЇ
Анатолій БЕЗВЕРХИЙ, I. A. Skrypnyk, Олександр ЖУКОВ
Стрімкий розвиток методів штучного інтелекту та машинного навчання супроводжується зростанням потреби у моделях, які поєднують високу точність з прозорістю та нтерпретацєю результатів. Більшість сучасних глибоких нейронних мереж функціонують як «чорні скриньки», що ускладнює їх застосування у критично важливих сферах – медицині, фінансах, транспорті, де необхідна верифікація рішень експертами. Водночас, розвиток квантових технологій і квантового машинного навчання відкриває нові можливості для побудови моделей, здатних ефективно працювати у просторах великої розмірності. Мета роботи полягає у розробці та експериментальній перевірці інтерпретованої гібридної моделі бінарної класифікації, яка поєднує нечіткий шар правил з варіаційною квантовою схемою, на прикладі задачі прогнозування виживання пасажирів (датасет Titanic), а також у порівнянні її з класичними підходами з точки зору точності та пояснюваності. Методологія дослідження ґрунтується на поєднанні апарату нечіткої логіки та варіаційних квантових схем. На першому етапі формуються лінгвістичні змінні для ознак датасету, задаються гауссові функції належності та формалізуються інтерпретовані нечіткі правила типу IF–THEN, які відображають предметні знання про задачу Titanic. На основі ступенів активації правил будується вектор ознак нечіткого шару. На другому етапі цей вектор лінійно агрегується за допомогою ваг правил, що підлягають навчанню, та кодується в параметри вхідних квантових обертань. Третій етап передбачає використання варіаційної квантової схеми з параметризованими воротами RX, RY та ентанглінгом CNOT, вихід якої вимірюється оператором Паулі-Z та перетворюється у ймовірність класу за допомогою логістичної функції. Навчання здійснюється методом градієнтного спуску з використанням правила параметрного зсуву для квантової частини моделі. Для порівняння реалізовано нечітко-класичний варіант моделі без квантового шару та логістичну регресію. Наукова новизна роботи полягає у створенні гібридної нейро-фазі-квантової архітектури, у якій знання предметної області явно кодуються у вигляді нечітких правил з інтерпретованими вагами, а квантовий шар використовується як нелінійний агрегатор цих правил. На відміну від традиційних «чорних» квантових класифікаторів, запропонований підхід забезпечує прозоре відображення впливу кожного правила на кінцевий результат, що підвищує довіру до моделі та створює можливості для експертного аналізу. У роботі продемонстровано, що поєднання нечіткої логіки з варіаційними квантовими схемами дозволяє отримати класифікатор зі збереженою інтерпретованістю та покращеними можливостями моделювання складних залежностей між ознаками. Висновки. Експериментальне дослідження на основі датасету Titanic показало, що запропонована гібридна модель демонструє якість класифікації (accuracy, F1-міру), порівнянну або дещо вищу за результати нечітко-класичної моделі та логістичної регресії, при цьому забезпечуючи високий рівень інтерпретованості завдяки аналізу ваг і активності нечітких правил. Модель дозволяє пояснювати окремі рішення, визначати найважливіші правила і перевіряти їх на узгодженість з очікуваними доменними знаннями. Перспективними напрямами розвитку є масштабування моделі на більш комплексні задачі, автоматична генерація нечітких правил, адаптація до роботи на реальних квантових пристроях із шумами та застосування в галузях, де особливо важливі прозорість і надійність систем штучного інтелекту.
Information Technology Computer Science Software Engineering and Cyber Security•Dec 30, 2025•0 citations