Mostrar el registro sencillo del ítem

Redes convolucionales clásico-cuánticas para la clasificación de imágenes.

Classical-quantum convolutional networks for image classification.

dc.contributorFlórez Valencia, Leonardo
dc.contributorGauthier Umaña, Cécile
dc.contributorParra Rodríguez, Carlos Alberto
dc.creatorGuerrero González, Andrés Felipe
dc.date2023-09-27T20:39:13Z
dc.date2023-09-27T20:39:13Z
dc.date2023-09-27
dc.date.accessioned2025-04-22T22:14:38Z
dc.date.available2025-04-22T22:14:38Z
dc.identifierhttp://hdl.handle.net/10554/65492
dc.identifierinstname:Pontificia Universidad Javeriana
dc.identifierreponame:Repositorio Institucional - Pontificia Universidad Javeriana
dc.identifierrepourl:https://repository.javeriana.edu.co
dc.identifier.urihttp://test.repositoriodigital.com:8080/handle/123456789/91411
dc.descriptionLas redes neuronales convolucionales cuánticas (QCNNs) combinan la potencia de la computación cuántica con las capacidades de aprendizaje profundo de las redes neuronales convolucionales tradicionales (CNNs). Las QCNNs traducen las capas de una CNN tradicional utilizando una serie de transformaciones unitarias de dos cúbits parametrizados para lograr el mismo objetivo que las capas tradicionales (determinar las relaciones entre las entradas para la capa de convolución y reducir la representación para la capa de agrupamiento). En este artículo, se fusionó una red neuronal clásica totalmente conectada con una QCNN creando una arquitectura clásico-cuántica para la clasificación binaria de imágenes. El desarrollo y la prueba de este modelo se implementaron utilizando la librería Qiskit de IBM, aprovechando su integración con pytorch. El modelo se utilizó en dos conjuntos de datos distintos. En primer lugar, se utilizó el conjunto de datos MNIST como referencia, donde la clasificación binaria (solo se utilizaron las clases 0 y 1) logró una precisión del 98% utilizando 100 muestras para el entrenamiento. Posteriormente, el modelo se evaluó en un conjunto de datos médicos, donde el objetivo principal era clasificar si un píxel en una imagen corresponde a piel humana o al fondo. Se destaca el excelente rendimiento del modelo, al diferenciar con éxito la piel humana del fondo en un conjunto de imágenes previamente no vistas. Al combinar enfoques clásicos y cuánticos, mostramos el potencial de las QCNNs como una solución viable para acelerar y mejorar la precisión de los modelos de aprendizaje automático. Los resultados obtenidos tanto en conjuntos de datos de referencia como en datos del mundo real muestran la promesa de las metodologías inspiradas en la computación cuántica para abordar desafíos computacionales modernos.
dc.descriptionQuantum convolutional neural networks (QCNNs) combine the power of quantum computing with the deep learning capabilities of traditional convolutional neural networks (CNNs). QCNNs translate the convolutional and pooling layers of a traditional CNN using a series of parametrized two-qubit unitaries to achieve the same goal as the traditional layers (determining relations between inputs for the convolutional layer and reducing the representation for the pooling layer). In this paper, a classical fully connected neural network and a QCNN were merged for a classical-quantum architecture for binary classification. The development and testing of this model were implemented using IBM’s Qiskit, taking advantage of its integration with pytorch. The model was used on two distinct datasets. First, the MNIST dataset was used as a benchmark, where binary classification (only classes 0 and 1 were used) achieved 98% accuracy using only 100 samples for the training. Subsequently, the model was evaluated on a medical dataset, where the primary objective was to classify whether a pixel in an image corresponds to human skin or background. Notably, the proposed model demonstrated excellent performance, successfully differentiating human skin from the background in a set of previously unseen images. By blending classical and quantum approaches in this architecture, we showcase the potential of QCNNs as a viable solution for accelerating and enhancing the accuracy of machine learning models. The results obtained from both benchmark and real-world datasets signify the promise of quantum-inspired methodologies in addressing modern computational challenges.
dc.descriptionMagíster en Inteligencia Artificial
dc.descriptionMaestría
dc.formatPDF
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.languagespa
dc.publisherPontificia Universidad Javeriana
dc.publisherMaestría en Inteligencia Artificial
dc.publisherFacultad de Ingeniería
dc.rightsAtribución-NoComercial-SinDerivadas 4.0 Internacional
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsDe acuerdo con la naturaleza del uso concedido, la presente licencia parcial se otorga a título gratuito por el máximo tiempo legal colombiano, con el propósito de que en dicho lapso mi (nuestra) obra sea explotada en las condiciones aquí estipuladas y para los fines indicados, respetando siempre la titularidad de los derechos patrimoniales y morales correspondientes, de acuerdo con los usos honrados, de manera proporcional y justificada a la finalidad perseguida, sin ánimo de lucro ni de comercialización. De manera complementaria, garantizo (garantizamos) en mi (nuestra) calidad de estudiante (s) y por ende autor (es) exclusivo (s), que la Tesis o Trabajo de Grado en cuestión, es producto de mi (nuestra) plena autoría, de mi (nuestro) esfuerzo personal intelectual, como consecuencia de mi (nuestra) creación original particular y, por tanto, soy (somos) el (los) único (s) titular (es) de la misma. Además, aseguro (aseguramos) que no contiene citas, ni transcripciones de otras obras protegidas, por fuera de los límites autorizados por la ley, según los usos honrados, y en proporción a los fines previstos; ni tampoco contempla declaraciones difamatorias contra terceros; respetando el derecho a la imagen, intimidad, buen nombre y demás derechos constitucionales. Adicionalmente, manifiesto (manifestamos) que no se incluyeron expresiones contrarias al orden público ni a las buenas costumbres. En consecuencia, la responsabilidad directa en la elaboración, presentación, investigación y, en general, contenidos de la Tesis o Trabajo de Grado es de mí (nuestro) competencia exclusiva, eximiendo de toda responsabilidad a la Pontifica Universidad Javeriana por tales aspectos. Sin perjuicio de los usos y atribuciones otorgadas en virtud de este documento, continuaré (continuaremos) conservando los correspondientes derechos patrimoniales sin modificación o restricción alguna, puesto que, de acuerdo con la legislación colombiana aplicable, el presente es un acuerdo jurídico que en ningún caso conlleva la enajenación de los derechos patrimoniales derivados del régimen del Derecho de Autor. De conformidad con lo establecido en el artículo 30 de la Ley 23 de 1982 y el artículo 11 de la Decisión Andina 351 de 1993, "Los derechos morales sobre el trabajo son propiedad de los autores", los cuales son irrenunciables, imprescriptibles, inembargables e inalienables. En consecuencia, la Pontificia Universidad Javeriana está en la obligación de RESPETARLOS Y HACERLOS RESPETAR, para lo cual tomará las medidas correspondientes para garantizar su observancia.
dc.rightsinfo:eu-repo/semantics/openAccess
dc.subjectAprendizaje de máquina cuántico
dc.subjectComputación cuántica
dc.subjectRedes neuronales convolucionales cuánticas
dc.subjectQuantum Machine Learning
dc.subjectQuantum computing
dc.subjectQuantum convolutional neural network
dc.subjectMaestría en inteligencia artificial - Tesis y disertaciones académicas
dc.subjectAprendizaje de máquinas
dc.subjectComputadores cuánticos
dc.titleRedes convolucionales clásico-cuánticas para la clasificación de imágenes.
dc.titleClassical-quantum convolutional networks for image classification.
dc.typehttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.typeTesis/Trabajo de grado - Monografía - Maestría
dc.typehttp://purl.org/coar/resource_type/c_bdcc
dc.typeinfo:eu-repo/semantics/masterThesis


Ficheros en el ítem

FicherosTamañoFormatoVer

No hay ficheros asociados a este ítem.

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem