|
| Titre : |
Conception et optimisation d’un réseau de neurones quantique pour la classification de données complexes |
| Type de document : |
document électronique |
| Auteurs : |
Aicha Khalouta ; Hamdi ,Skander, Directeur de thèse |
| Editeur : |
Setif:UFA |
| Année de publication : |
2025 |
| Importance : |
1 vol (87 f .) |
| Format : |
29 cm |
| Langues : |
Français (fre) |
| Catégories : |
Thèses & Mémoires:Informatique
|
| Mots-clés : |
Réseaux de neurones quantiques
Classification des données complexe
Intelligence artificielle quantique
Informatique quantique
Modèles hybrides (quantique–classique)
Optimisation des performances
Bruit quantique
Applications médicales |
| Index. décimale : |
004 Informatique |
| Résumé : |
Cette étude porte sur la conception et l’optimisation d’un réseau de neurones
quantique pour la classification de données complexes, en exploitant l’intersection
entre l’informatique quantique et l’intelligence artificielle. Dans un premier temps,
le mémoire a présenté les fondements théoriques des réseaux de neurones classiques et de
l’informatique quantique, en définissant les réseaux de neurones quantiques et en mettant
en évidence leurs caractéristiques et avantages par rapport aux modèles traditionnels. Ensuite,
l’accent a été mis sur la conception d’un réseau de neurones quantique capable de
classer des données complexes, ainsi que sur les stratégies d’optimisation de son architecture
afin de surmonter des défis tels que le bruit quantique et la limitation des ressources.
Sur le plan pratique, un modèle hybride quantique–classique a été proposé, combinant
des couches neuronales traditionnelles et de simples circuits quantiques, appliqué Ã
des données médicales pour la classification des tumeurs mammaires. Les résultats ont
montré que le modèle proposé a atteint une performance remarquable et une grande précision,
même avec un nombre limité de qubits, surpassant ainsi certains modèles classiques.
Cette étude confirme que l’approche hybride offre des perspectives prometteuses pour la
classification de données complexes, tout en soulignant la nécessité de dépasser les limitations
actuelles des simulateurs quantiques et de tester ces modèles à l’avenir sur des
processeurs quantiques réels, ouvrant ainsi la voie à des applications pratiques dans divers
domaines tels que la médecine, la cybersécurité et la finance. |
| Note de contenu : |
Sommaire
Introduction Générale .................................................................. 11
1 Vue d’ensemble sur le réseau neuronal quantique 13
1.1 Introduction ....................................................................... 13
1.2 Réseaux neuronaux et physique quantique : définition et importance de
leur combinaison .................................................................. 13
1.2.1 Présentation générale de l’intelligence artificielle et de la physique
quantique.................................................................. 14
1.2.2 L’importance de la combinaison entre les réseaux neuronaux et la
physique quantique ....................................................... 15
1.3 Réseaux neuronaux artificiels (RNA)............................................ 16
1.3.1 Définition et principe de fonctionnement ............................... 16
1.3.2 Composants d’un réseau neuronal artificiel ............................. 19
1.3.3 Types de réseaux neuronaux artificiels .................................. 19
1.3.4 Structure générale d’un réseau neuronal artificiel ...................... 21
1.3.5 Applications traditionnelles des réseaux neuronaux artificiels ......... 22
1.4 L’informatique quantique ........................................................ 22
1.4.1 L’informatique quantique : origine et définition ........................ 22
1.4.2 Différences entre l’informatique classique traditionnelle et l’informatique
quantique ........................................................ 23
1.4.3 Applications de l’informatique quantique ............................... 24
1.4.4 Concepts fondamentaux de l’informatique quantique .................. 25
1.4.5 Algorithmes quantiques célèbres......................................... 26
1.5 Réseaux neuronaux quantiques (QNN) ......................................... 27
1.5.1 Définition des réseaux neuronaux quantiques (QNN) .................. 28
1.5.2 Caractéristiques des réseaux neuronaux quantiques.................... 28
1.5.3 Comment bénéficier de l’informatique quantique : ..................... 29
1.5.4 Structure générale d’un réseau neuronal quantique .................... 29
1.5.5 Techniques de l’informatique quantique................................. 30
1.5.6 Avantages, inconvénients et défis des réseaux de neurones quantiques 31
1.6 Conclusion......................................................................... 34
2 Méthodologie d’un réseau neuronal quantique pour la classification de
données complexes 35
2.1 Introduction ....................................................................... 35
2.2 Les données complexes ........................................................... 35
2.2.1 Définition des données complexes ....................................... 35
2.2.2 L’importance de la classification des données complexes .............. 36
2.2.3 Les défis de la classification des données complexes.................... 37
2.3 Problèmes courants dans les QNN............................................... 38
2.4 Étapes de conception d’un réseau de neurones quantique pour la classification
de données complexes ....................................................... 41
2.4.1 Choix de l’architecture du réseau de neurones quantique.............. 41
2.4.2 Choix de l’algorithme d’apprentissage .................................. 44
2.4.3 Représentation des données complexes.................................. 46
2.4.4 Environnement de développement et outils utilisés (PennyLane) ..... 49
2.5 Étapes d’optimisation d’un réseau de neurones quantique pour la classification
de données complexes ..................................................... 51
2.5.1 Évaluation initiale du modèle............................................ 51
2.5.2 Choix d’algorithmes d’optimisation efficaces pour les réseaux neuronaux
quantiques (QNN) ............................................... 53
2.5.3 Réglage des hyperparamètres et amélioration de l’architecture du
circuit...................................................................... 54
2.5.4 Intégration d’approches hybrides et de techniques de résistance au
bruit ....................................................................... 55
2.5.5 Évaluation itérative et analyse comparative ............................ 56
2.6 Conclusion......................................................................... 57
3 Approche méthodologique et conception du modèle 59
3.1 Introduction ....................................................................... 59
3.2 Méthodologie ...................................................................... 60
3.2.1 Description des données utilisées ........................................ 60
3.2.2 Langage de programmation, bibliothèques et configuration générale . 61
3.3 Conception et évaluation d’un modèle hybride quantique-classique pour la
classification des tumeurs du sein : Une approche multi-niveaux.............. 62
3.3.1 Paramètres du modèle et d’entraînement ............................... 62
3.3.2 Définition du problème de classification ................................ 63
3.3.3 Étapes méthodologiques de la conception du modèle hybride quantique
....................................................................... 64
3.4 Expérimentations et Résultats ................................................... 69
3.4.1 Analyse du Modèle Quantique appliqué aux tumeurs.................. 69
3.4.2 Résultats de l’Entraînement (Courbes d’Apprentissage)............... 71
3.4.3 Visualisations d’Évaluation (Graphiques)............................... 71
3.5 Évaluation des Performances..................................................... 75
3.6 Comparaison entre l’approche quantique et l’approche classique.............. 77
3.7 Conclusion......................................................................... 80 |
| Côte titre : |
MAI/1067 |
Conception et optimisation d’un réseau de neurones quantique pour la classification de données complexes [document électronique] / Aicha Khalouta ; Hamdi ,Skander, Directeur de thèse . - [S.l.] : Setif:UFA, 2025 . - 1 vol (87 f .) ; 29 cm. Langues : Français ( fre)
| Catégories : |
Thèses & Mémoires:Informatique
|
| Mots-clés : |
Réseaux de neurones quantiques
Classification des données complexe
Intelligence artificielle quantique
Informatique quantique
Modèles hybrides (quantique–classique)
Optimisation des performances
Bruit quantique
Applications médicales |
| Index. décimale : |
004 Informatique |
| Résumé : |
Cette étude porte sur la conception et l’optimisation d’un réseau de neurones
quantique pour la classification de données complexes, en exploitant l’intersection
entre l’informatique quantique et l’intelligence artificielle. Dans un premier temps,
le mémoire a présenté les fondements théoriques des réseaux de neurones classiques et de
l’informatique quantique, en définissant les réseaux de neurones quantiques et en mettant
en évidence leurs caractéristiques et avantages par rapport aux modèles traditionnels. Ensuite,
l’accent a été mis sur la conception d’un réseau de neurones quantique capable de
classer des données complexes, ainsi que sur les stratégies d’optimisation de son architecture
afin de surmonter des défis tels que le bruit quantique et la limitation des ressources.
Sur le plan pratique, un modèle hybride quantique–classique a été proposé, combinant
des couches neuronales traditionnelles et de simples circuits quantiques, appliqué Ã
des données médicales pour la classification des tumeurs mammaires. Les résultats ont
montré que le modèle proposé a atteint une performance remarquable et une grande précision,
même avec un nombre limité de qubits, surpassant ainsi certains modèles classiques.
Cette étude confirme que l’approche hybride offre des perspectives prometteuses pour la
classification de données complexes, tout en soulignant la nécessité de dépasser les limitations
actuelles des simulateurs quantiques et de tester ces modèles à l’avenir sur des
processeurs quantiques réels, ouvrant ainsi la voie à des applications pratiques dans divers
domaines tels que la médecine, la cybersécurité et la finance. |
| Note de contenu : |
Sommaire
Introduction Générale .................................................................. 11
1 Vue d’ensemble sur le réseau neuronal quantique 13
1.1 Introduction ....................................................................... 13
1.2 Réseaux neuronaux et physique quantique : définition et importance de
leur combinaison .................................................................. 13
1.2.1 Présentation générale de l’intelligence artificielle et de la physique
quantique.................................................................. 14
1.2.2 L’importance de la combinaison entre les réseaux neuronaux et la
physique quantique ....................................................... 15
1.3 Réseaux neuronaux artificiels (RNA)............................................ 16
1.3.1 Définition et principe de fonctionnement ............................... 16
1.3.2 Composants d’un réseau neuronal artificiel ............................. 19
1.3.3 Types de réseaux neuronaux artificiels .................................. 19
1.3.4 Structure générale d’un réseau neuronal artificiel ...................... 21
1.3.5 Applications traditionnelles des réseaux neuronaux artificiels ......... 22
1.4 L’informatique quantique ........................................................ 22
1.4.1 L’informatique quantique : origine et définition ........................ 22
1.4.2 Différences entre l’informatique classique traditionnelle et l’informatique
quantique ........................................................ 23
1.4.3 Applications de l’informatique quantique ............................... 24
1.4.4 Concepts fondamentaux de l’informatique quantique .................. 25
1.4.5 Algorithmes quantiques célèbres......................................... 26
1.5 Réseaux neuronaux quantiques (QNN) ......................................... 27
1.5.1 Définition des réseaux neuronaux quantiques (QNN) .................. 28
1.5.2 Caractéristiques des réseaux neuronaux quantiques.................... 28
1.5.3 Comment bénéficier de l’informatique quantique : ..................... 29
1.5.4 Structure générale d’un réseau neuronal quantique .................... 29
1.5.5 Techniques de l’informatique quantique................................. 30
1.5.6 Avantages, inconvénients et défis des réseaux de neurones quantiques 31
1.6 Conclusion......................................................................... 34
2 Méthodologie d’un réseau neuronal quantique pour la classification de
données complexes 35
2.1 Introduction ....................................................................... 35
2.2 Les données complexes ........................................................... 35
2.2.1 Définition des données complexes ....................................... 35
2.2.2 L’importance de la classification des données complexes .............. 36
2.2.3 Les défis de la classification des données complexes.................... 37
2.3 Problèmes courants dans les QNN............................................... 38
2.4 Étapes de conception d’un réseau de neurones quantique pour la classification
de données complexes ....................................................... 41
2.4.1 Choix de l’architecture du réseau de neurones quantique.............. 41
2.4.2 Choix de l’algorithme d’apprentissage .................................. 44
2.4.3 Représentation des données complexes.................................. 46
2.4.4 Environnement de développement et outils utilisés (PennyLane) ..... 49
2.5 Étapes d’optimisation d’un réseau de neurones quantique pour la classification
de données complexes ..................................................... 51
2.5.1 Évaluation initiale du modèle............................................ 51
2.5.2 Choix d’algorithmes d’optimisation efficaces pour les réseaux neuronaux
quantiques (QNN) ............................................... 53
2.5.3 Réglage des hyperparamètres et amélioration de l’architecture du
circuit...................................................................... 54
2.5.4 Intégration d’approches hybrides et de techniques de résistance au
bruit ....................................................................... 55
2.5.5 Évaluation itérative et analyse comparative ............................ 56
2.6 Conclusion......................................................................... 57
3 Approche méthodologique et conception du modèle 59
3.1 Introduction ....................................................................... 59
3.2 Méthodologie ...................................................................... 60
3.2.1 Description des données utilisées ........................................ 60
3.2.2 Langage de programmation, bibliothèques et configuration générale . 61
3.3 Conception et évaluation d’un modèle hybride quantique-classique pour la
classification des tumeurs du sein : Une approche multi-niveaux.............. 62
3.3.1 Paramètres du modèle et d’entraînement ............................... 62
3.3.2 Définition du problème de classification ................................ 63
3.3.3 Étapes méthodologiques de la conception du modèle hybride quantique
....................................................................... 64
3.4 Expérimentations et Résultats ................................................... 69
3.4.1 Analyse du Modèle Quantique appliqué aux tumeurs.................. 69
3.4.2 Résultats de l’Entraînement (Courbes d’Apprentissage)............... 71
3.4.3 Visualisations d’Évaluation (Graphiques)............................... 71
3.5 Évaluation des Performances..................................................... 75
3.6 Comparaison entre l’approche quantique et l’approche classique.............. 77
3.7 Conclusion......................................................................... 80 |
| Côte titre : |
MAI/1067 |
|
Ajouter le résultat dans votre panier Affiner la rechercheConception et optimisation d’un réseau de neurones quantique pour la classification de données complexes / Aicha Khalouta
