Perpustakaan Digital ITB

Deteksi garis adalah salah satu kendala fundamental dalam bidang computer vision yang dapat diaplikasikan dalam berbagai jenis penerapan. Classical Convolutional Neural Network (CCNN) dapat mencapai akurasi yang baik dalam proses ekstraksi fitur, namun pengaplikasiannya pada perangkat tepi (edge devices) memiliki keterbatasan komputasi yang tinggi dengan kebutuhan memori terbatas. Quantum Convolutional Neural Network (QCNN) adalah teknologi terbaru yang memiliki potensi menjanjikan. Penelitian ini bertujuan untuk mengimplementasikan dan menganalisa perbandingan performa arsitektur CCNN pada FPGA dengan arsitektur QCNN yang disimulasikan menggunakan Python (library Qiskit dari IBM). CCNN dan QCNN dilatih menggunakan citra berdimensi 2×4 piksel (bernilai antara 0 sampai ?/4). Dua piksel bersebelahan yang bernilai ?/2 bertugas sebagai ’garis’ dan diberi label kelas sesuai posisinya. Rangkaian quantum atau ansatz dibuat menggunakan library ZFeatureMap dan RealAmplitudes dari Qiskit. Sedangkan model CCNN dilatih di Kaggle dengan lapisan konvolusi terdiri dari empat kernel berdimensi 2×2 dan lapisan FCNN dengan konfigurasi (32-12-10). Model CCNN diimplementasikan pada papan FPGA Xilinx Zynq-7000 PYNQ-Z1 untuk menjalankan proses inferensi dan akselerator systolic kustom berdimensi 4×4 yang dikembangkan dengan aplikasi Vivado. Akurasi model quantum yang didapat adalah 61,29% dan memerlukan 8 quantum bit untuk seluruh proses penyimpanan dan kalkulasi. Sedangkan model klasik memiliki akurasi 92,83% dan tiap neuron memerlukan 32-bit dengan fixed value Q16.16. Penelitian ini diharapkan dapat mengembangkan algoritme komputasi dengan computational resource yang minimal dan kecepatan kalkulasi yang lebih cepat.