Analisis Konvergensi pada Entangled Neural Network

Abstract

Entangled neural networks is one form of the quantum neural network which uses entanglement as a key feature to interpreting the data. Each qubit within probability of entanglement have different values on the particular state in one time so greatly affect the speed of convergence in the learning algorithm. Learning algorithms that compared in this study are the perceptron quantum algorithms and classical perceptron algorithm. Measurement the value of the speed of convergence in the learning algorithm uses several parameters: the number of hidden nodes, the value of learning rate, number of epochs and the accuracy of testing. The final results of testing indicate that the quantum perceptron learning algorithm has better convergence speed than the classical perceptron. In addition, the level of accuracy of the testing from quantum algorithms perceptron higher than the classical perceptron algorithm.

Entangled neural networks merupakan salah satu bentuk dari jaringan syaraf kuantum (quantum neural networks) yang menggunakan entanglement sebagai fitur kunci untuk menginterpretasikan data. Setiap qubitdalam entanglement memiliki probabilitas nilai yang berbeda – beda pada keadaan tertentu dalam suatu waktu sehingga sangat mempengaruhi kecepatan konvergensi pada algoritma pembelajaran. Algoritma pembelajaran yang dibandingkan dalam penelitian ini ialah algoritma quantum perceptron dan algoritma perceptron klasik. Pengukuran nilai kecepatan konvergensi dalam algoritma pembelajaran menggunakan beberapa parameter yaitu jumlah hidden node, nilai learning rate, jumlah epoch dan tingkat akurasi pengujian.Hasil akhir pengujian menunjukkan bahwa algoritma pembelajaran quantum perceptron memiliki kecepatan konvergensi yang lebih baik daripada perceptron klasik. Selain itu tingkat akurasi pengujian dari algoritma quantum perceptron lebih tinggi dibandingkan dengan algoritma perceptron klasik.