«Наш подход позволяет повысить точность классификации за счёт оптимизации архитектуры нейросети. Классические глубокие модели могут содержать миллиарды обучаемых параметров и требуют значительных вычислительных ресурсов. В нашей архитектуре квантовый слой работает с сильно сжатым представлением признаков. При этом важную роль играет именно взаимодействие классической и квантовой частей модели»», – Марина Бастракова, один из авторов исследования, старший научный сотрудник лаборатории «Искусственный интеллект в превентивной медицине» Исследовательского центра в сфере искусственного интеллекта Института информационных технологий, математики и механики ННГУ.
В статье отмечается, что использована двухкубитная вариационная квантовая схема (VQC).
«Важно отметить, что любые нейросетевые решения не заменяют врача-диагноста. Они выступают как помощники при первичной диагностике, помогают не пропустить важные признаки и дают сигнал врачу обратить внимание на критические значения. Снижается вероятность ошибки и диагноз специалиста становится более обоснованным», – Михаил Иванченко, главный научный сотрудник лаборатории «Искусственный интеллект в превентивной медицине» Исследовательского центра в сфере искусственного интеллекта ИИТММ ННГУ.
#ИИ #кванты