Perpustakaan Digital ITB

Kemajuan dalam komputasi kuantum membuka peluang baru dalam berbagai aplikasi, termasuk dalam bidang pembelajaran mesin, seperti Quantum Convolutional Neural Network (QCNN). Meskipun simulasi QCNN telah menunjukkan kinerja yang baik, tantangan dalam penerapan model kuantum masih ada, terutama terkait dengan keterbatasan sumber daya komputasi dan desain arsitektur yang optimal. Penelitian ini bertujuan untuk menganalisis kinerja model dasar Hybrid QCNN dalam klasifikasi tulisan tangan untuk digit dan alfabet, serta merancang dan mengimplementasikan varian model Hybrid QCNN yang lebih baik dengan mencoba berbagai ansatz konvolusi, ansatz pooling, teknik encoding, dan metode optimasi. Berdasarkan eksperimen, model dasar Hybrid QCNN menunjukkan akurasi sebesar 73.58%, sementara model alternatif yang dikembangkan mampu mencapai akurasi 81.38%, dengan menggunakan ansatz konvolusi Conv10, ansatz pooling PoolG, metode optimasi Adam, dan teknik encoding Angle. Perbandingan antara model dasar dan alternatif menunjukkan bahwa model alternatif memiliki kinerja yang lebih baik dalam hal akurasi. Penelitian ini juga menemukan beberapa kendala, seperti kesulitan model dalam membedakan karakter yang serupa secara visual dan keterbatasan dalam eksplorasi desain ansatz. Saran untuk penelitian selanjutnya termasuk peningkatan kualitas data pelatihan, eksplorasi desain ansatz lebih luas, dan pengujian model secara langsung pada komputer kuantum fisik untuk memaksimalkan keunggulan komputasi kuantum.