Number of the records: 1
Kvantové a klasické strojové učení pro kvantově informační protokoly
Title statement Kvantové a klasické strojové učení pro kvantově informační protokoly [rukopis] / Jan Roik Additional Variant Titles Kvantové a klasické strojové učení pro kvantově informační protokoly Personal name Roik, Jan (dissertant) Translated title Quantum and classical machine learning for quantum information protocols Issue data 2023 Phys.des. 118 stran : grafy, schémata, tab. Note Ved. práce Karel Lemr Ved. práce Karel Lemr Another responsib. Lemr, Karel (thesis advisor) Lemr, Karel (školitel) Another responsib. Univerzita Palackého. Společná laboratoř optiky (degree grantor) Keywords Kvantové provázání * klasifikace kvantového provázání * kvantifikace kvantového provázání * strojové učení * neuronové síte * kvantové sítě * proximální optimalizace politiky * Quantum entanglement * quantum entanglement classification * quantum entanglement quantification * machine learning * neural networks * quantum networks * proximal policy optimization Form, Genre disertace dissertations UDC (043.3) Country Česko Language angličtina Document kind PUBLIKAČNÍ ČINNOST Title Ph.D. Degree program Doktorský Degree program Nanotechnologie Degreee discipline Nanotechnologie book
Kvalifikační práce Downloaded Size datum zpřístupnění 00263966-453424738.pdf 106 33.8 MB 15.03.2023 Posudek Typ posudku 00263966-opon-549907639.pdf Posudek oponenta 00263966-ved-201656986.pdf Posudek vedoucího 00263966-opon-872311910.pdf Posudek oponenta Průběh obhajoby datum zadání datum odevzdání datum obhajoby přidělená hodnocení typ hodnocení 00263966-prubeh-753378182.pdf 26.09.2013 15.03.2023 15.06.2023 S Hodnocení známkou Ostatní přílohy Size Popis 00263966-other-607539481.pdf 26.9 MB
Tato práce shrnuje a konsoliduje autorův publikovaný výzkum týkajicíce se využití umělé intelicekce v oblasti kvantového zpracování informace. První výzkumný problém představuje umělé neuronové sítě jako účinné nelineární svědky provázanosti schopné maximalizovat úspěšnost klasifikace při současném snížení požadovaných zdrojů pro třídu obecných dvou-qubitovových stavů. Druhý výzkumný problém popisuje využití umělých neuronových sítí v navazujícím výzkumu zaměřeném na kvantifikaci kvantově provázaných obecných dvou-qubitových stavů. Poslední výzkumný problém představuje zpětnovazebné učení reprezentované algoritmem proximální optimalizací politiky (PPO) jako efektivní řešení hledání cest v kvantových sítích.This thesis summarizes and consolidates the authors' published research on machine learning applications in quantum information processing. The first research task presents artificial neural networks as potent nonlinear entanglement witnesses capable of maximizing the classification success rate for all general two-qubit states while reducing required resources. The second research task describes follow-up research focused on entanglement quantification of general two-qubit states using artificial neural networks. The last research task promotes reinforcement learning represented by the proximal policy optimization (PPO) algorithm as an efficient solution to route finding in quantum networks.
Number of the records: 1