S.V.Zuev。 递归和前馈量子神经网络中的统计在线学习。 （英语。俄文原件） Zbl 07825762号 多克。数学。 108，补遗2，S317-S324（2023）; Dokl翻译。罗斯。阿卡德。恶心，Mat.Inform。Protsessy升级。514，编号2177-186（2023）。 摘要：对于自适应人工智能系统，在线学习的可能性问题尤其重要，因为这种培训提供了适应性。这项工作的目的是考虑两种最常见的量子神经网络结构：前馈和递归的量子机器在线学习方法。这项工作使用PyPI上可用的quantumz模块来模拟量子计算并创建人工量子神经网络。此外，发电机模块还用于转换数据维度，从而在不丢失信息的情况下提供维度的可逆转换。实验数据来自公开来源。本文实现了作者之前提出的无需优化的机器学习方法。提出并实验验证了递归和前馈量子神经网络的在线学习算法。提出的学习算法可以用作数据科学工具，也可以作为自适应智能控制系统的一部分。所开发的软件只能在量子计算机上充分发挥其潜力，但在少量量子寄存器的情况下，它也可以用于模拟量子计算的系统或光子计算机。 理学硕士： 81件 基础、量子信息及其处理、量子公理和哲学 94轴 通信、信息 68次发射 人工智能 关键词：在线学习;自适应人工智能;量子机器学习;量子纠缠 PDF格式BibTeX公司 XML格式引用 \textit{S.V.Zuev}，Dokl。数学。108、S317——S324（2023；Zbl 07825762）；Dokl翻译。罗斯。阿卡德。恶心，Mat.Inform。Protsessy升级。514，编号2，177--186（2023） 全文： 内政部 参考文献： [1] F.Tacchino、C.Macchiavello、D.Gerace等人，“在实际量子处理器上实现的人工神经元”，《量子信息》第5卷第1期，第26页（2019年）。 [2] T.Menneer和A.Narayanan，“Quantum-inspired neural networks”，摘自《神经信息处理系统学报》，1995年11月27日至30日，美国科罗拉多州丹佛市·Zbl 0980.68095号 [3] Gushanskii，S.M。；Buglov，V.E.，《使用变分量子方案对卷积神经网络进行量子深度学习》，Izv。Yuzhn公司。联邦科技大学。瑙基，7167-1742021 [4] 聪，I。；Choi，S。；Lukin，M.D.，量子卷积神经网络，自然物理学。，15, 1273-1278, 2019 ·doi:10.1038/s41567-019-0648-8 [5] I.Kerenidis、J.Landman和A.Prakash，“深度卷积神经网络的量子算法”（2019年）。doi:10.48550/arXiv.1911.01117 [6] 亨德森，M。；Shakya，S。；普拉丹，S。；库克，T.，《全进化神经网络：用量子电路驱动图像识别》，《量子马赫数》。智力。，2, 2, 2020 ·doi:10.1007/s42484-020-00012-y [7] P.Rebentrost、M.Mohseni和S.Lloyd，“大数据分类的量子支持向量机”，Phys。修订稿。113, 130503 (2014). [8] A.W.Harrow、A.Hassidim和S.Lloyd，“线性方程组的量子算法”，《物理学》。修订稿。103, 150502 (2009). [9] Dang，Y。；蒋，N。；胡，H。；季，Z。；张伟，基于量子K-Nearest-Neighbor算法的图像分类，量子信息处理。，17, 1-18, 2018 ·兹比尔1398.81052 ·doi:10.1007/s11128-018-2004-9 [10] M.Schuld、I.Sinayskiy和F.Petruccione，“量子计算机上线性回归预测”，《物理学》。修订版A 94022342（2016）·Zbl 1342.81091号 [11] 卢，S。；Braunstein，S.L.，量子决策树分类器，量子信息处理。，13, 757-770, 2014 ·Zbl 1291.81103号 ·doi:10.1007/s11128-013-0687-5 [12] S.Lloyd、M.Mohseni和P.Rebentrost，“监督和非监督机器学习的量子算法”（2013年）。doi:10.48550/arXiv.1307.0411 [13] Lloyd，S.，PCM中的最小二乘量化，IEEE Trans。Inf.理论，28129-1371982·Zbl 0504.94015号 ·doi:10.1109/TIT.1982.1056489 [14] I.Kerenidis、J.Landman、A.Luongo和A.Prakash，“q-mans:无监督机器学习的量子算法”（2018年）。doi:10.48550/arXiv.1812.03584 [15] 艾梅尔，E。；Brassard，G。；Gambs，S.，《无监督学习的量子加速》，马赫。学习。，90, 261-287, 2013 ·兹比尔1260.68319 ·doi:10.1007/s10994-012-5316-5 [16] DiVincenzo，D.P.，量子计算的物理实现，Fortschr。物理。，48, 771-783, 2000 ·Zbl 1071.81510号 ·doi:10.1002/1521-3978（200009）48:9/11<771:：AID-PROP771>3.0.CO；2-E型 [17] 劳埃德，S。；Mohseni，M。；Rebentrost，P.，量子主成分分析，自然物理学。，2014年10月631-633日·doi:10.1038/nphys3029 [18] Zuev，S.V.，《量子纠缠的几何特性和机器学习》，俄罗斯技术出版社。J.，2023年11月19日至33日·doi:10.32362/2500-316X-2023-11-5-19-33 [19] P.D.Bruza和R.J.Cole，“语义空间的量子逻辑：对实际推理中语境效应的探索性研究”（2006年）。https://arXiv:quant-电话：0612178。2023年8月20日访问·Zbl 1268.03031号 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。