سیستم توصیه‌گر کوانتومی مبتنی بر حافظه انجمنی هاپفیلد کوانتومی[پايان نامه فارسي]

امیر کرمانشاهانی

محاسبات کوانتومی با توانایی پردازش محاسبات پیچیده به‌صورت نمایی سریع‌تر از سیستم‌های کلاسیک، مسیرهای جدیدی را در یادگیری ماشین و سیستم‌های توصیه‌گر گشوده است. یادگیری ماشین کوانتومی (QML) که ترکیبی نوظهور از محاسبات کوانتومی و یادگیری ماشین است، قابلیت‌های بی‌سابقه‌ای در پردازش داده‌ها و تشخیص الگوها ارائه می‌دهد. این پایان‌نامه هدف دارد تا با ادغام حافظه انجمنی هاپفیلد کوانتومی (QHAM) و شبکه‌های عصبی عمیق، یک سیستم توصیه‌گر ترکیبی ایجاد کند تا استخراج و دسته‌بندی الگوهای کاربران را بهبود بخشد. مطالعه با تربیت یک خودرمزگذار آغاز می‌شود که داده‌های ورودی را به‌طور مؤثر فشرده می‌کند و میانگین خطای مربعی (MSE) معادل ۰.۰۰۲۶ بر روی مجموعه آزمایشی به‌دست می‌آورد. دسته‌بندی کاربران به چهار الگو با استفاده از الگوریتم K-Means انجام شده که سپس با استفاده از یک تابع فعال‌سازی در بخش رمزگذار خودرمزگذار به الگوهای قطبی تبدیل می‌شوند. سپس الگوهای قطبی کاربران در سیستم توصیه‌گر ترکیبی مبتنی بر QHAM به‌کار گرفته می‌شوند. مدل ترکیبی که طی ۲۵ دوره تربیت شده است، عملکردی قدرتمند با دقت ۸۸.۶۲٪ و امتیاز F1 معادل ۰.۸۷۱۹ را نشان می‌دهد. نتایج ثابت در مجموعه‌های داده آموزشی، اعتبارسنجی و آزمایشی، کارایی ترکیب محاسبات کوانتومی تغییرپذیر و یادگیری عمیق را برای وظایف توصیه‌گر تایید می‌کند. این پایان‌نامه چارچوبی نوین برای بهره‌گیری از مزایای مدل‌های کوانتومی و کلاسیک در توسعه سیستم‌های توصیه‌گر پیشرفته ارائه می‌دهد که پتانسیل بالایی برای کاربردهای آینده دارد.کلیدواژه‌ها : محاسبات کوانتومی، یادگیری ماشین کوانتومی، حافظه انجمنی هاپفیلد کوانتومی، سیستم توصیه‌گر ترکیبی، خودرمزگذار، دسته‌بندی کاربران، الگوهای قطبی