Entrelazamiento cuántico y medidas de correlación en redes de aprendizaje profundo

"En el presente, se realizó una revisión monográfica del estado del arte de la arquitectura de aprendizaje profundo conocida como Circuitos Convolucionales Aritméticos (ConvAC) y como estos podrían servir de puente entre el aprendizaje de máquinas (Machine Learning), el campo de las redes tensoriales (Tensor Networks) y por lo tanto sistemas cuánticos de muchos cuerpos. La revisión se basó principalmente en estudiar de forma teórica cómo las diferentes propiedades como el número de capas, la geometría de las conexiones internas (geometría de pooling) y dar la posibilidad de la existencia de sobrelapamientos, influyen en la capacidad expresiva y la capacidad de un ConvAC de modelar correlaciones entre secciones del sistema a tratar de una manera eficiente. Lo anterior se consiguió mediante el uso de lenguaje tensorial, algebra matricial y nociones de medida. De forma más precisa, se muestra que la expresividad de un ConvAC puede ser medida a través de la noción del Rank de separación..." -- Tomado del Formato de Documento de Grado.

• Autores: Gallego Gallón, Juan Camilo
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2020
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/44772
• Acceso en línea: http://hdl.handle.net/1992/44772
• Palabra clave: Complejidad computacional; Algoritmos (Computadores); Aritmética informática y unidades lógicas; Campos tensoriales; Aprendizaje automático (Inteligencia artificial); Teoría cuántica; Física
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/