Perpustakaan Digital ITB

Perkembangan Quantum Machine Learning (QML) menawarkan pendekatan alternatif dalam mengatasi keterbatasan skalabilitas dan efisiensi komputasi pada model deep learning klasik, khususnya Convolutional Neural Network (CNN). Studi ini mengusulkan solusi hybrid Quantum Convolutional Neural Network (QCNN) berbasis Quantum Fourier Neural Operator (QFNO) untuk menyelesaikan tugas klasifikasi pola sederhana, yaitu membedakan garis horizontal dan vertikal pada citra biner 4×2 piksel. QFNO dalam penelitian ini diadaptasi dari Fourier Neural Operator (FNO) klasik, yang melakukan transformasi Fourier pada setiap kolom input (mode), menerapkan operasi linier pada sejumlah mode teratas, dan kemudian mengembalikan data ke domain asli melalui invers Fourier transform. Dataset yang digunakan merupakan dataset kustom yang dibuat khusus untuk penelitian ini, terdiri dari 300 gambar yang dibangkitkan secara sintetik. Pendekatan ini juga mengintegrasikan Quantum Fourier Transform (QFT) sebagai komponen utama ke dalam QCNN, dengan menerapkan Quantum Fourier Layer (QFL) sebagai blok transformasi non-linier dalam sirkuit hibrida. Eksperimen dilakukan dengan mengevaluasi tiga tipe desain QFL yaitu sequential, parallel, dan composite yang masing-masing menawarkan trade-off antara kompleksitas serta kedalaman sirkuit dan jumlah qubit. Evaluasi dilakukan berdasarkan akurasi klasifikasi dan performa loss selama pelatihan, dengan variasi jumlah epoch antara 30 hingga 90. Hasil menunjukkan bahwa pendekatan QFL Composite memberikan akurasi tertinggi secara konsisten, serta menunjukkan kemampuan generalisasi lebih baik dibanding varian lainnya. Penelitian ini menekankan kemampuan integrasi QFT dalam jaringan saraf kuantum guna meningkatkan efektivitas klasifikasi visual. Hasil ini memberikan kesempatan untuk penelitian lebih lanjut dalam penggunaan QFNO untuk tugas-tugas pemrosesan citra yang lebih rumit dan aplikatif berbasis arsitektur kuantum.