Práctica académica en Grupo Bernier SAS: perceptrón multicapa en computación cuántica
Este artículo muestra una alternativa de perceptrón diseñada en computación cuántica, que consta de dos neuronas de entrada, dos neuronas en su capa oculta y una neurona en su capa de salida. El objetivo principal de este trabajo es el diseño de un clasificador de puntos ubicado dentro de un plano c...
- Autores:
-
Lozano Joya, Iván Daniel
- Tipo de recurso:
- Investigation report
- Fecha de publicación:
- 2020
- Institución:
- Universidad Autónoma de Bucaramanga - UNAB
- Repositorio:
- Repositorio UNAB
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unab.edu.co:20.500.12749/14252
- Acceso en línea:
- http://hdl.handle.net/20.500.12749/14252
- Palabra clave:
- Quantum computing
Neural network
Perceptron
Artificial intelligence
Quantum sphere
Quantum state
Quantum superposition
Academic practice
University students
University practices
Information processing
Programming
Algorithm
Prácticas universitarias
Estudiantes universitarios
Práctica académica
Procesamiento de información
Programación
Algoritmo
Computación cuántica
Red neuronal
Perceptrón
Python
Qiskit
Inteligencia artificial
Esfera cuántica
Estado cuántico
Superposición cuántica
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
Summary: | Este artículo muestra una alternativa de perceptrón diseñada en computación cuántica, que consta de dos neuronas de entrada, dos neuronas en su capa oculta y una neurona en su capa de salida. El objetivo principal de este trabajo es el diseño de un clasificador de puntos ubicado dentro de un plano cartesiano, que depende de dos variables de entrada x, y; Estos se clasifican en dos tipos (tipo 1 y tipo 0). Este diseño se basa en el término distancia entre estados cuánticos, por lo que el programa determina si el punto en cuestión es de tipo 0 o tipo 1, dependiendo de la probabilidad de ser de un tipo u otro. La idea principal del trabajo gira en torno a la esfera cuántica, donde los valores 1 y 0 se asignan a los puntos estipulados por el usuario (Network Training). Luego, dependiendo de la distancia entre los puntos de entrenamiento y los puntos de prueba, las puertas cuánticas determinan si es más probable que sea de tipo cero o de tipo uno. |
---|