Leveraging Quantum Layers in Classical Neural Networks

Abstract

Hybrid quantum-classical neural networks represent a promising frontier in the search for improved machine learning models. This thesis explores the integration of quantum layers within classical convolutional neural network architectures, aiming to leverage quantum entanglement and feature mapping to enhance learning capabilities. A detailed methodology for constructing and training such hybrid models is presented, using PyTorch and Qiskit Machine Learning frameworks. Experiments investigate the performance impact of inserting quantum layers at different stages of the neural network pipeline. The results suggest that quantum components can introduce meaningful transformations even with a limited number of qubits, motivating further research into scalable quantum machine learning. The full implementation is made publicly available, and future work will focus on expanding experimental evaluations and publishing additional findings.

Hybridní kvantově-klasické neuronové sítě představují slibnou oblast ve snaze o vylepšení modelů strojového učení. Tato diplomová práce se zabývá integrací kvantových vrstev do klasických architektur konvolučních neuronových sítí s cílem využít kvantové provázání a mapování příznaků pro zvýšení schopností učení. Je zde představena podrobná metodologie konstrukce a trénování těchto hybridních modelů s využitím frameworků PyTorch a Qiskit Machine Learning. Experimenty zkoumají vliv zařazení kvantových vrstev na různá místa neuronové sítě. Výsledky naznačují, že kvantové komponenty mohou i s omezeným počtem qubitů přinášet významné transformace, což motivuje k dalšímu výzkumu škálovatelného kvantového strojového učení. Kompletní implementace je veřejně dostupná a budoucí práce se zaměří na rozšíření experimentálních vyhodnocení a publikaci dalších výsledků