Core Concepts
병렬 구조의 스파이킹 신경망과 양자 신경망을 통해 이미지 특징 정보를 종합적으로 추출하고, 이를 최적의 비율로 융합하여 이미지 분류 성능을 향상시킨다.
Abstract
본 연구에서는 병렬 비례 융합 스파이킹 양자 신경망(PPF-QSNN) 구조를 제안한다. 이 구조는 스파이킹 신경망과 양자 회로를 병렬로 구성하여 이미지 특징 정보를 종합적으로 추출한다. 스파이킹 신경망은 고속 처리와 효율성이 뛰어나고, 양자 신경망은 미묘한 특징 정보를 잘 포착한다. 두 네트워크의 출력을 최적의 비율로 융합하여 이미지 분류 성능을 향상시킨다.
실험 결과, 제안한 PPF-QSNN은 기존의 스파이킹 신경망과 직렬 구조의 양자 신경망에 비해 정확도, 손실, 강건성 등 다양한 지표에서 우수한 성능을 보였다. 특히 노이즈 환경에서도 매우 높은 내성을 보였다. 이는 병렬 구조와 최적의 융합 비율 설정을 통해 달성한 것으로, 양자 이점을 인공지능 계산에 효과적으로 활용할 수 있는 새로운 접근법을 제시한다.
Stats
이미지 분류 정확도는 기존 스파이킹 신경망 96.5%, 직렬 양자 신경망 94.1%에 비해 제안 모델 PPF-QSNN이 97.1%로 가장 높다.
노이즈 환경에서도 제안 모델 PPF-QSNN이 기존 모델들에 비해 월등히 높은 정확도를 유지한다.
Quotes
"병렬 구조의 스파이킹 신경망과 양자 신경망을 통해 이미지 특징 정보를 종합적으로 추출하고, 이를 최적의 비율로 융합하여 이미지 분류 성능을 향상시킨다."
"제안한 PPF-QSNN은 기존의 스파이킹 신경망과 직렬 구조의 양자 신경망에 비해 정확도, 손실, 강건성 등 다양한 지표에서 우수한 성능을 보였다."
"병렬 구조와 최적의 융합 비율 설정을 통해 양자 이점을 인공지능 계산에 효과적으로 활용할 수 있는 새로운 접근법을 제시한다."