dc.contributor.author | Καρακάσης, Ιωάννης![]() |
el |
dc.contributor.author | Karakasis, Ioannis![]() |
en |
dc.date.accessioned | 2022-10-14T09:33:09Z | |
dc.date.available | 2022-10-14T09:33:09Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/55934 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.23632 | |
dc.description | Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Μαθηματική Προτυποποίηση σε Σύγχρονες Τεχνολογίες και στα Χρηματοοικονομικά” | el |
dc.rights | Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nd/3.0/gr/ | * |
dc.subject | Μηχανική μάθηση | el |
dc.subject | Κβαντικοί υπολογιστές | el |
dc.subject | Κβαντικά κυκλώματα | el |
dc.subject | Βαθιά μάθηση | el |
dc.subject | Φάρμακα | el |
dc.subject | Quantum machine learning | en |
dc.subject | Quantum computing | en |
dc.subject | Molecules | en |
dc.subject | Deep learning | en |
dc.subject | Quantum circuits | en |
dc.title | Μελέτη του κβαντικού πλεονεκτήματος αλγορίθμων Μηχανικής Μάθησης κατά τον Σχεδιασμό Φαρμάκων σε Κβαντικούς Υπολογιστές | el |
dc.title | Study of the Quantum Advantage in Quantum Machine Learning Applications for drug discovery | en |
heal.type | masterThesis | |
heal.classification | Μαθηματική προτυποποίηση | el |
heal.classification | Mathematical modeling | en |
heal.language | el | |
heal.language | en | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2022-06-16 | |
heal.abstract | Η παρούσα διπλωματική εργασία εκπονήθηκε στο πλαίσιο του μεταπτυχιακού προγράμματος «Μαθηματική Προτυποποίηση σε Σύγχρονες Τεχνολογίες & τη Χρηματοοικονομική», της Σχολής Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών του Εθνικού Μετσόβιου Πολυτεχνείου. Η μελέτη που υποστηρίζει τη συγκεκριμένη διατριβή επικεντρώνεται στο να αποδείξει πώς τα Κλασικά & Κβαντικά Μοντέλα Βαθιάς Μάθησης μπορούν να χρησιμοποιηθούν για την επίλυση ενός προβλήματος ταξινόμησης. Το σύνολο δεδομένων που επιλέχθηκε για αυτήν την εργασία ήταν το σύνολο δεδομένων QM9 που περιείχε πληροφορίες για μόρια και περιορίστηκε σε περίπου 20 χιλιάδες μόρια που μπορούν ενδεχομένως να χρησιμοποιηθούν για την ταξινόμηση φαρμάκων που μπορούν να χρησιμοποιηθούν ως τρικυκλικά αντικαταθλιπτικά φάρμακα ή για το σχεδιασμό νέων μορίων με βάση αυτό το σύνολο δεδομένων αναφοράς. Ωστόσο, ο κύριος σκοπός αυτής της διατριβής ήταν να δοκιμάσει μοντέλα Quantum Machine Learning σε αυτό το σύνολο δεδομένων και να αποδείξει ότι το κβαντικό ανάλογο των μοντέλων επιτυγχάνει την κβαντική υπεροχή. Με τον όρο κβαντική υπεροχή, εννοούμε το κβαντικό πλεονέκτημα που παρέχεται στην επίλυση υπολογιστικών προβλημάτων, όταν κάποιος χρησιμοποιεί έναν Κβαντικό Υπολογιστή. Προσπάθησα να χρησιμοποιήσω περίπου τις ίδιες παραμέτρους για να μπορώ να συγκρίνω τα μοντέλα. Τα αποτελέσματα που αναλύσαμε έδειξαν ότι όλοι οι κβαντικοί αλγόριθμοι που χρησιμοποιήθηκαν είχαν καλύτερη απόδοση από τους κλασσικούς ανάλογους ή τουλάχιστον στο ίδιο επίπεδο. Τα κβαντικά μοντέλα που δεν ξεπέρασαν τα κλασικά ανάλογα σε ακρίβεια, τα ξεπέρασαν σε χρόνο εκτέλεσης. Παρατηρήσαμε μοντέλα που απέδιδαν στο 1-2\% του χρόνου που εκτελούσε το κλασικό ανάλογο τους. Αυτά τα ευρήματα είναι πολύ σημαντικά καθώς ο Quantum Computing και ειδικά οι αλγόριθμοι Quantum ML, είναι ένα πεδίο που αναπτύσσεται ταχέως αλλά εξακολουθεί να βρίσκεται στο στάδιο του προοιμίου του και επομένως δεν υπάρχει πληθώρα πειραματικών δεδομένων. Όπως περιγράφεται, είναι πολύ δύσκολο να δοκιμαστούν όλα τα παραπάνω σε πραγματικούς κβαντικούς υπολογιστές, καθώς είναι περιορισμένοι, είναι υπανάπτυκτοι και είναι δύσκολο να προσπελαστούν για την εκτέλεση εκτεταμένων μελετών. Παρόλο που τρέξαμε όλους τους αλγόριθμους μας σε προσομοιώσεις κβαντικών υπολογιστών με τη βοήθεια του πακέτου Cirq από την Google, του πακέτου pennylane, το οποίο επικεντρώνεται στο Quantum ML και του πακέτου ανοιχτού κώδικα Qiskit που παρέχεται από την IBM, είναι σημαντικό να γνωρίζουμε τη συμπεριφορά του κβαντικούς υπολογιστές για το χρόνο που μπορούμε να δημιουργήσουμε πιο σύνθετες αρχιτεκτονικές για να μπορούμε να δοκιμάσουμε την απόδοσή τους και να μπορούμε να τις εκμεταλλευτούμε. | el |
heal.abstract | This thesis was authored under the postgraduate program, ”Mathematical Modeling in Cutting Edge Technologies Finance”, of the School of Applied Mathematics and Physic Sciences of the National Technical University of Athens. The study supporting the specific thesis is focused on proving how Classical Quantum Deep Learning Models can be used to solve a classification problem. The dataset chosen for this task was the QM9 dataset containing information on molecules and was limited to approximately 20 thousand molecules that can possibly be used to classify drugs that can be used as tricyclic antidepressant drugs or to design new molecules based on this benchmark dataset. However, the main purpose of this thesis was to try Quantum Machine Learning models on this dataset and prove that the quantum analogous of the models achieve the quantum supremacy. By the term quantum supremacy, we mean the quantum advantage provided on solving computational problems, when someone utilises a Quantum Computer. I tried to use approximately the same parameters in order to be able to compare the models. The results that we analysed showed that all quantum algorithms used performed better than their classical analogous or at least on the same level. The quantum models that didn’t outperform their classical analogous in accuracy, they outperformed them in runtime. We observed models that performed in 12% of the time that their classical analogous performed. These findings are very important as Quantum Computing and especially Quantum ML algorithms, is a field rapidly growing but still in its preamble stage and thus there is no abundance of experimental data. As described, it is very hard to test all the above in real quantum computers as they are limited, they are underdeveloped and are hard to access to run extended studies. Although, we ran all our algorithms on simulations of quantum computers with the help of Cirq package by Google, the pennylane package, which is focused in Quantum ML and the qiskit open source package provided by IBM, it is important to know the behavior of the quantum computers for when the time that we can build more complex architectures to be able to test their performance and be able to exploit them. | en |
heal.advisorName | Σταφυλοπάτης, Ανδρέας | el |
heal.advisorName | Stafylopatis, Andreas | en |
heal.committeeMemberName | Κόλλιας, στέφανος | el |
heal.committeeMemberName | Στάμου, Γεώργιος | el |
heal.committeeMemberName | Σταφυλοπάτ, Ανδρέας | el |
heal.committeeMemberName | Kollias, stefanos | en |
heal.committeeMemberName | Stamou, georgios | el |
heal.committeeMemberName | Stafylopatis, Andreas | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 134 σ. | el |
heal.fullTextAvailability | false | |
heal.fullTextAvailability | false |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: