La red neuronal convolucional híbrida cuántico-clásica para la clasificación de objetos astrofísicos

Área de la Ciencia:

• La astronomía y la astrofísica.
• Ciencias de la computación Ciencias de la computación.
• La computación cuántica es la computación cuántica.

Sus antecedentes:

• La clasificación de los objetos celestes es crucial para comprender la evolución cósmica.
• El análisis de vastos conjuntos de datos astronómicos de los telescopios presenta desafíos significativos.
• El aprendizaje cuántico de la máquina (QML) ofrece un enfoque poderoso para el procesamiento de datos eficiente y preciso.

Objetivo del estudio:

• Proponer un nuevo modelo, AstroNet, para clasificar objetos astrofísicos.
• Para aprovechar la extracción de características cuánticas combinada con una red neuronal convolucional (CNN).
• Para mejorar el análisis de grandes conjuntos de datos astronómicos.

Principales métodos:

• Desarrolló el modelo AstroNet, integrando la extracción de características cuánticas con una CNN personalizada de siete capas.
• Implementó la extracción de características cuánticas mediante la codificación de datos de píxeles en estados cuánticos utilizando qubits.
• Construido un circuito cuántico con entrelazamiento utilizando puertas CNOT y rotaciones parametrizadas, simulado a través de pennylane.
• Entrenado el modelo de AstroNet usando el optimizador Adam, la entropía cruzada categórica Sparse, tamaño de lote 32, tasa de aprendizaje 0.0001 y 10 épocas.

Principales resultados:

• Logró un rendimiento de clasificación de hasta 0,99 en cinco conjuntos de datos astrofísicos de referencia.
• Demostró un rendimiento superior en comparación con los métodos existentes en la clasificación de objetos astrofísicos.
• Procesó con éxito datos complejos de imágenes utilizando estados cuánticos para una representación mejorada.

Conclusiones:

• El modelo AstroNet, que combina la extracción de características cuánticas y CNNs, muestra una promesa significativa para la clasificación de objetos astrofísicos.
• El aprendizaje automático mejorado cuánticamente proporciona una solución viable para analizar datos astronómicos a gran escala.
• Este enfoque allana el camino para una exploración cósmica más eficiente y precisa.