ОПТИМИЗАЦИЯ МАШИННОГО ОБУЧЕНИЯ С ПОМОЩЬЮ КВАНТОВЫХ УЛУЧШЕНИЙ ДЛЯ ДИНАМИЧЕСКИХ СИСТЕМ РЕАЛЬНОГО ВРЕМЕНИ
DOI:
https://doi.org/10.52167/1609-1817-2024-135-6-243-254Ключевые слова:
машинное обучение, вычисления, обработка в реальном времени, масштабируемость, инженерия, оптимизация, умный городАннотация
В статье рассматривается проблема обработки данных в реальном времени в динамичных и крупномасштабных системах посредством стратегий машинного обучения, усиленных квантовыми технологиями. Такие сектора, как умные города и автономные транспортные средства, генерируют высокоскоростные и сложные данные, что создает ограничения для традиционных алгоритмов в плане адаптивности и эффективности. В этом исследовании проведен систематический обзор передовых квантовых методологий, включая квантовую опорную векторную машину, квантовую оптимизацию роя частиц и квантовое градиентное бустинг-дерево, которые показали улучшенные результаты по сравнению с классическими моделями. Использование специализированного оборудования, такого как GPU, и подходов, таких как федеративное обучение, позволило квантово-усиленным моделям достичь высокой точности, масштабируемости и вычислительной эффективности. Ключевые этапы предложенной структуры, такие как предобработка данных и адаптация моделей, максимизировали эффективность, обеспечивая адаптивность в реальном времени в условиях динамично меняющихся данных. Результаты показали, что интеграция квантовых технологий решает важные вычислительные задачи, открывая новые возможности для областей, требующих быстрой обработки данных, минимальной задержки и масштабируемости.
Библиографические ссылки
[1] Kanchetti, D., Munirathnam, R., & Thakkar, D. (2024). Integration of Machine Learning Algorithms with Cloud Computing for Real-Time Data Analysis. Journal for Research in Applied Sciences and Biotechnology, 3(2), 301-306. https://doi.org/10.55544/jrasb.3.2.46
[2] Abouelyazid, M. (2021). Machine Learning Algorithms for Dynamic Resource Allocation in Cloud Computing: Optimization Techniques and Real-World Applications. Journal of AI-Assisted Scientific Discovery, 1(2), 1-58.
https://scienceacadpress.com/index.php/jaasd/article/view/81
[3] Hammou, B. A., Lahcen, A. A., & Mouline, S. (2020). Towards a real-time processing framework based on improved distributed recurrent neural network variants with fastText for social big data analytics. Information Processing & Management, 57(1), 102122. https://doi.org/10.1016/j.ipm.2019.102122
[4] El Bouchefry, K., & de Souza, R. S. (2020). Learning in big data: Introduction to machine learning. In Knowledge discovery in big data from astronomy and earth observation (pp. 225-249). Elsevier. https://doi.org/10.1016/B978-0-12-819154-5.00023-0
[5] Andronie, M., Lăzăroiu, G., Iatagan, M., Hurloiu, I., Ștefănescu, R., Dijmărescu, A., & Dijmărescu, I. (2023). Big data management algorithms, deep learning-based object detection technologies, and geospatial simulation and sensor fusion tools in the internet of robotic things. ISPRS International Journal of Geo-Information, 12(2), 35. https://doi.org/10.3390/ijgi12020035
[6] Lăzăroiu, G., Andronie, M., Iatagan, M., Geamănu, M., Ștefănescu, R., & Dijmărescu, I. (2022). Deep learning-assisted smart process planning, robotic wireless sensor networks, and geospatial big data management algorithms in the internet of manufacturing things. ISPRS International Journal of Geo-Information, 11(5), 277. https://doi.org/10.3390/ijgi11050277
[7] Paramesha, M., Rane, N. L., & Rane, J. (2024). Big data analytics, artificial intelligence, machine learning, internet of things, and blockchain for enhanced business intelligence. Partners Universal Multidisciplinary Research Journal, 1(2), 110-133. https://doi.org/10.5281/zenodo.12827323
[8] Li, W., Chai, Y., Khan, F., Jan, S. R. U., Verma, S., Menon, V. G., ... & Li, X. (2021). A comprehensive survey on machine learning-based big data analytics for IoT-enabled smart healthcare system. Mobile networks and applications, 26, 234-252. https://doi.org/10.1007/s11036-020-01700-6
[9] Wu, X., Wu, Y., Li, X., Ye, Z., Gu, X., Wu, Z., & Yang, Y. (2024). Application of adaptive machine learning systems in heterogeneous data environments. Global Academic Frontiers, 2(3), 37-50. https://doi.org/10.5281/zenodo.12684615
[10] Nti, I. K., Quarcoo, J. A., Aning, J., & Fosu, G. K. (2022). A mini-review of machine learning in big data analytics: Applications, challenges, and prospects. Big Data Mining and Analytics, 5(2), 81-97. https://doi.org/10.26599/BDMA.2021.9020028
[11] Jumagaliyeva A, Abdykerimova E, Turkmenbayev A, Muratova G., Talgat A. Analysis of research on theimplementation of Blockchain technologies in regional electoral processes //International Journal of Electricaland Computer Engineering (IJECE). - 2024.-Vol.14(3) - P.2854-2867DOI: http://doi.org/10.11591/ijece.v14i3.pp2854-28678.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2024 Аружан Мектепбаева, Айвар Сахипов, Венера Рыстыгулова, Динара Кайбасова, Ляззат Белгибаева
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
