Fully Quantum Neural Network
FQNN – Fully Quantum Neural Network
FQNN (Fully Quantum Neural Network) to innowacyjna architektura sieci neuronowej. Model ten opiera się wyłącznie na operacjach kwantowych, eliminując potrzebę stosowania klasycznych warstw neuronowych.
W FQNN dane wejściowe są kodowane w stanach kwantowych kubitów, a parametry sieci (odpowiedniki wag w klasycznych sieciach) reprezentowane są przez kąty rotacji bramek kwantowych. Optymalizacja tych parametrów odbywa się poprzez estymację gradientów kierunkowych, a funkcją celu jest tzw. "fidelity" – miara podobieństwa między stanem wyjściowym sieci a stanem reprezentującym poprawną klasę.
Model został przetestowany na klasycznym zbiorze danych Iris przy użyciu symulatora Qiskit AerSimulator, osiągając stabilne i dokładne wyniki klasyfikacji. Badania te potwierdzają możliwość budowy w pełni kwantowych klasyfikatorów bez konieczności stosowania hybrydowych architektur łączących elementy klasyczne i kwantowe.
Pełny opis architektury i wyników badań został opublikowany w czasopiśmie Electronics w maju 2025 roku.
Ewald, D. The Proposal of a Fully Quantum Neural Network and Fidelity-Driven Training Using Directional Gradients for Multi-Class Classification. Electronics 2025, 14, 2189. https://doi.org/10.3390/electronics14112189
Krótkie wyjaśnienie w formie filmu