Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Tensor Networks in Machine Learning

Adam Kalvoda

Published May 16, 2025• 0 citations
OpenAlex

Abstract

Tato práce se zabývá tenzorovými sítěmi jakožto účinnými strukturami ke zmírnění prokletí dimenzionality ve strojovém učení (ML). Cílem je poskytnout ucelený teoretický základ pro pochopení tenzorů a tenzorových sítí jak z matematického pohledu, tak z perspektivy strojového učení, a současně předvést praktickou implementaci v programovacím jazyce Julia. Práce začíná zavedením základních operací s tenzory a představením jejich diagramové notace. Následně jsou rozebrány strukturální vlastnosti klíčových dekompozičních formátů tenzorových sítí. Na tomto základu je popsáno několik aplikací v učení s učitelem, se zaměřením na klasifikační úlohy, ve kterých jsou tenzorové sítě využity jako modely. Diskutovány jsou rovněž strategie optimalizace parametrů modelů, přičemž zvláštní pozornost je věnována "sweeping optimization". Na závěr je implementován optimalizační algoritmus "sweeping" pro klasifikační model založený na formátu MPS v Julii. Tento klasifikační model je poté aplikován na dataset Fashion-MNIST, což je následováno komparativním rozborem z hlediska výkonnosti, paměťové náročnosti (počtu parametrů) a výpočetní efektivity vůči tradičním neuronovým sítím.

Related papers

Optimization of Quantum-Enhanced Machine Learning: Simulation and Validation

Jiří Viták

Kvantově vylepšené strojové učení vzbudilo značný zájem jako přístup ke zlepšení klasických učících se algoritmů prostřednictvím využití principů kvantového počítání. Zejména kvantové mapy rysů umožňují vnoření klasických dat do vysokorozměrných Hilbertových prostorů, což může zlepšit expresivitu modelu a výkonnost klasifikace. Tato práce se zabývá návrhem a optimalizací kvantových map rysů založených na Hamiltoniánu Isingova spinového skla pro klasifikační úlohy. Navrhovaný přístup využívá bezpřechodového kvantového řízení v impulzním režimu, aby umožnil efektivní kvantovou evoluci vhodnou pro zařízení typu NISQ (Noisy Intermediate-Scale Quantum). Experimentální výsledky ukazují, že navrhované mapy vlastností zlepšují výkon klasických klasifikačních modelů ve srovnání s referenčními přístupy, a to s nárůstem přesnosti až o 28 % a nárůstem plochy pod křivkou (AUC) až o 62 %, v závislosti na datasetu a konfiguraci modelu. Vliv hardwarového šumu je dále zkoumán porovnáním výsledků získaných z kvantového hardwaru se simulacemi tenzorových sítí představujících idealizované podmínky bez šumu. Porovnání naznačuje, že část pozorovaného zlepšení výkonu může souviset spíše s hardwarovým šumem než výhradně s návrhem kvantové mapy rysů, ačkoli k definitivnímu potvrzení této skutečnosti je nutná další analýza.

•May 8, 2026•0 citations

Inkrementální učení kvantové generativní adversariální sítě

Artem Kandaurov

Obor strojového učení ukázal neuvěřitelný dopad na mnoho druhů optimalizačních problémů. Nedávno byla síla strojového učení použita k zrychlení přípravy kvantových stavů. Navzdory skutečnosti, že aproximace stavu pomocí kvantové generativní soupeřící sítě je jeden z nejrychlejších způsobů přípravy generického kvantového stavu, doba trénovaní pro takové modely je významná a může snadno eliminovat výhody plynoucí z použití kvantového algoritmu. Tato práce zkoumá využití inkrementalní učení kvantové generativní soupeřící sítě pro problém nahrání kvantových stavů a ukazuje nové případy použití v nichž se zkracuje trénovaní modelu.

•Jun 5, 2021•0 citations

Divide and conquer strategy for representation of classical data using quantum states

Pavel Slaninka

Tato práce se zaměřuje na zkoumání několika známých způsobů kvantového kódování dat. Konkrétně jsou představeny čtyři postupy kódování dat, z nichž každý využívá jiný přístup k reprezentaci klasických dat pomocí kvantových stavů. Konkrétně jsou probírány metody bazického, úhlového a amplitudového kódování dat. Také je prezentována metoda kódování dat na základě principu "rozděl a panuj", přičemž tato metoda vychází z metody amplitudového kódování. Každý způsob kódování je nejprve teoreticky představen a vysvětlen, přičemž jsou podrobně rozebrány důsledky a vlastnosti. Jednotlivé kódovací strategie jsou porovnány z hlediska počtu potřebných qubitů a hradel. Součástí práce je repozitář obsahující implementaci každé představené strategie kódování. Implementace využívá jazyk Python a knihovnu Qiskit. Všechny kódovací metody jsou testovány prostřednictvím malého vstupu na kvantových počítačích od IBM a výsledky jsou porovnány s očekávanými výsledky.

•Jun 14, 2024•0 citations

Quantum networks and its properties

David Chudožilov

Kvantové sítě jsou komunikačním prostředkem nové generace. Rozmach kvantových technologií umožňuje využití neklasických jevů jako kvantová superpozice, kvantové provázání a interference v komunikačních a kryptografických protokolech. Příkladem takového protokolu je kvantová distribuce klíče, která zajišťuje vytvoření a distribuci náhodného šifrovacího klíče mezi dvěma komunikačními uzly. Samotný termín kvantová síť znamená tři různé věci. První jsou aktivní kvantové sítě používající prvky jako opakovače nebo kvantová paměť, druhá pasivní optické kvantové sítě složené z děličů paprsku a posunovačů fáze a třetí představuje abstraktní matematický model založený na Hamiltoniánu, který lze charakterizovat grafem. V této práci popíšeme všechny tři pojmy, přičemž se soustředíme zejména na třetí zmíněný význam tohoto pojmu. V rámci zmíněného Hamiltoniánového modelu detailně zkoumáme tzv. efekt uvěznění kvantové excitace v jediném módu nebo v malém počtu módů. Efekt uvěznění zkoumáme jak pro kvantovou síť charakterizovanou úplným grafem, tak i pro grafy, kde nějaká hrana může chybět. Nepřítomnost hrany zkoumáme jak ve statickém případě, kdy hrana chybí permanentně, tak i v případě stochastického chování v čase, kdy se hrana přerušuje a opět znovuobjevuje.

•Aug 4, 2025•0 citations

SEARCH AND STATE TRANSFER OVER NETWORKS VIA QUANTUM WALK

S. Skoupý

Tématem této práce jsou kvantové procházky a algoritmy na nich založené, především algoritmus pro vyhledávání a algoritmus pro přenos stavu. V první části této práce představíme kvantovou procházku v diskrétním čase s mincí, která je hlavní model používaný v této práci. Dále představíme vyhledávací algoritmus a algoritmus pro přenos stavu, které budou na těchto modelech založené. Další 3 kapitoly po teoretickém úvodu jsou tvořeny publikovanými články, které se zabývají vyhledáváním a přenosem stavu na různých typech grafů. V prvním článku se zabýváme vyhledáváním a přenosem stavu na M-partitním grafu, ve druhém článku se zabýváme vyhledáváním a přenosem na hyperkrychli, poslední vložený článek se zabývá huby u náhodné sítě. V poslední kapitole opět pracujeme s huby, tentokrát napojenými k d-regulárnímu grafu.

•Sep 8, 2025•0 citations

Quantum machine learning

Jan Svoboda

Přestože kvantové počítání stále není používáno v reálných aplikacích, jeho studium je nezbytné pro pochopení konceptů kvantového počítání a rozšíření znalostí o jeho možnostech. Tato práce porovnává kvantové strojové učení s kernelovými metodami v důsledku jejich přirozené podobnosti. Cílem práce je vytvořit obecný postup pro vytvoření kvantového kernelu, který bude těžko simulovatelný na klasických počítačích. Zmíněné postupy jsou posléze testovány na reálných datech s poněkud neuspokojivými výsledky.

•Jun 11, 2024•0 citations
Tato práce se zabývá tenzorovými sítěmi jakožto účinnými strukturami ke zmírnění prokletí dimenzionality ve strojovém učení (ML). Cílem je poskytnout ucelený teoretický základ pro pochopení tenzorů a tenzorových sítí jak z matematického pohledu, tak z perspektivy strojového učení, a současně předvést praktickou implementaci v programovacím jazyce Julia. Práce začíná zavedením základních operací s tenzory a představením jejich diagramové notace. Následně jsou rozebrány strukturální vlastnosti klíčových dekompozičních formátů tenzorových sítí. Na tomto základu je popsáno několik aplikací v učení s učitelem, se zaměřením na klasifikační úlohy, ve kterých jsou tenzorové sítě využity jako modely. Diskutovány jsou rovněž strategie optimalizace parametrů modelů, přičemž zvláštní pozornost je věnována "sweeping optimization". Na závěr je implementován optimalizační algoritmus "sweeping" pro klasifikační model založený na formátu MPS v Julii. Tento klasifikační model je poté aplikován na dataset Fashion-MNIST, což je následováno komparativním rozborem z hlediska výkonnosti, paměťové náročnosti (počtu parametrů) a výpočetní efektivity vůči tradičním neuronovým sítím.
Kvantově vylepšené strojové učení vzbudilo značný zájem jako přístup ke zlepšení klasických učících se algoritmů prostřednictvím využití principů kvantového počítání. Zejména kvantové mapy rysů umožňují vnoření klasických dat do vysokorozměrných Hilbertových prostorů, což může zlepšit expresivitu modelu a výkonnost klasifikace. Tato práce se zabývá návrhem a optimalizací kvantových map rysů založených na Hamiltoniánu Isingova spinového skla pro klasifikační úlohy. Navrhovaný přístup využívá bezpřechodového kvantového řízení v impulzním režimu, aby umožnil efektivní kvantovou evoluci vhodnou pro zařízení typu NISQ (Noisy Intermediate-Scale Quantum). Experimentální výsledky ukazují, že navrhované mapy vlastností zlepšují výkon klasických klasifikačních modelů ve srovnání s referenčními přístupy, a to s nárůstem přesnosti až o 28 % a nárůstem plochy pod křivkou (AUC) až o 62 %, v závislosti na datasetu a konfiguraci modelu. Vliv hardwarového šumu je dále zkoumán porovnáním výsledků získaných z kvantového hardwaru se simulacemi tenzorových sítí představujících idealizované podmínky bez šumu. Porovnání naznačuje, že část pozorovaného zlepšení výkonu může souviset spíše s hardwarovým šumem než výhradně s návrhem kvantové mapy rysů, ačkoli k definitivnímu potvrzení této skutečnosti je nutná další analýza.
Obor strojového učení ukázal neuvěřitelný dopad na mnoho druhů optimalizačních problémů. Nedávno byla síla strojového učení použita k zrychlení přípravy kvantových stavů. Navzdory skutečnosti, že aproximace stavu pomocí kvantové generativní soupeřící sítě je jeden z nejrychlejších způsobů přípravy generického kvantového stavu, doba trénovaní pro takové modely je významná a může snadno eliminovat výhody plynoucí z použití kvantového algoritmu. Tato práce zkoumá využití inkrementalní učení kvantové generativní soupeřící sítě pro problém nahrání kvantových stavů a ukazuje nové případy použití v nichž se zkracuje trénovaní modelu.
Tato práce se zaměřuje na zkoumání několika známých způsobů kvantového kódování dat. Konkrétně jsou představeny čtyři postupy kódování dat, z nichž každý využívá jiný přístup k reprezentaci klasických dat pomocí kvantových stavů. Konkrétně jsou probírány metody bazického, úhlového a amplitudového kódování dat. Také je prezentována metoda kódování dat na základě principu "rozděl a panuj", přičemž tato metoda vychází z metody amplitudového kódování. Každý způsob kódování je nejprve teoreticky představen a vysvětlen, přičemž jsou podrobně rozebrány důsledky a vlastnosti. Jednotlivé kódovací strategie jsou porovnány z hlediska počtu potřebných qubitů a hradel. Součástí práce je repozitář obsahující implementaci každé představené strategie kódování. Implementace využívá jazyk Python a knihovnu Qiskit. Všechny kódovací metody jsou testovány prostřednictvím malého vstupu na kvantových počítačích od IBM a výsledky jsou porovnány s očekávanými výsledky.
Kvantové sítě jsou komunikačním prostředkem nové generace. Rozmach kvantových technologií umožňuje využití neklasických jevů jako kvantová superpozice, kvantové provázání a interference v komunikačních a kryptografických protokolech. Příkladem takového protokolu je kvantová distribuce klíče, která zajišťuje vytvoření a distribuci náhodného šifrovacího klíče mezi dvěma komunikačními uzly. Samotný termín kvantová síť znamená tři různé věci. První jsou aktivní kvantové sítě používající prvky jako opakovače nebo kvantová paměť, druhá pasivní optické kvantové sítě složené z děličů paprsku a posunovačů fáze a třetí představuje abstraktní matematický model založený na Hamiltoniánu, který lze charakterizovat grafem. V této práci popíšeme všechny tři pojmy, přičemž se soustředíme zejména na třetí zmíněný význam tohoto pojmu. V rámci zmíněného Hamiltoniánového modelu detailně zkoumáme tzv. efekt uvěznění kvantové excitace v jediném módu nebo v malém počtu módů. Efekt uvěznění zkoumáme jak pro kvantovou síť charakterizovanou úplným grafem, tak i pro grafy, kde nějaká hrana může chybět. Nepřítomnost hrany zkoumáme jak ve statickém případě, kdy hrana chybí permanentně, tak i v případě stochastického chování v čase, kdy se hrana přerušuje a opět znovuobjevuje.
Tématem této práce jsou kvantové procházky a algoritmy na nich založené, především algoritmus pro vyhledávání a algoritmus pro přenos stavu. V první části této práce představíme kvantovou procházku v diskrétním čase s mincí, která je hlavní model používaný v této práci. Dále představíme vyhledávací algoritmus a algoritmus pro přenos stavu, které budou na těchto modelech založené. Další 3 kapitoly po teoretickém úvodu jsou tvořeny publikovanými články, které se zabývají vyhledáváním a přenosem stavu na různých typech grafů. V prvním článku se zabýváme vyhledáváním a přenosem stavu na M-partitním grafu, ve druhém článku se zabýváme vyhledáváním a přenosem na hyperkrychli, poslední vložený článek se zabývá huby u náhodné sítě. V poslední kapitole opět pracujeme s huby, tentokrát napojenými k d-regulárnímu grafu.
Přestože kvantové počítání stále není používáno v reálných aplikacích, jeho studium je nezbytné pro pochopení konceptů kvantového počítání a rozšíření znalostí o jeho možnostech. Tato práce porovnává kvantové strojové učení s kernelovými metodami v důsledku jejich přirozené podobnosti. Cílem práce je vytvořit obecný postup pro vytvoření kvantového kernelu, který bude těžko simulovatelný na klasických počítačích. Zmíněné postupy jsou posléze testovány na reálných datech s poněkud neuspokojivými výsledky.