Nghiên cứu và đề xuất mô hình lai trí tuệ nhân tạo lượng tử trong phân loại tín hiệu sinh vật biển theo nguyên lý sonar thụ động
DOI:
https://doi.org/10.54939/1859-1043.j.mst.CSCE9.2025.135-141Từ khóa:
Xử lý tín hiệu dưới nước; Trí tuệ nhân tạo lượng tử; Hilbert; Phân loại.Tóm tắt
Sự hội tụ giữa trí tuệ nhân tạo (AI) và lượng tử (Quantum) đang mở ra kỷ nguyên mới cho các bài toán yêu cầu mức độ tính toán phức tạp, đặc biệt trong xử lý tín hiệu số. Bài báo trình bày tổng quan và đánh giá xu hướng phát triển mô hình lai Quantum-AI, tập trung vào ứng dụng cho nhận dạng và phân loại tín hiệu thủy âm – lĩnh vực khó khăn do tính không ổn định, nhiễu cao và dữ liệu khan hiếm. Nghiên cứu đề xuất mô hình Hybrid Quantum-CNN, sử dụng CNN để trích xuất đặc trưng và giảm chiều dữ liệu, kết hợp với Bộ phân loại Lượng tử Biến phân để phân loại trong không gian Hilbert. Kết quả mô hình đề xuất được so sánh với mạng CNN có cấu hình tương đương cho thấy HQC đạt độ chính xác cao hơn (tăng 3,5%), đồng thời vượt trội về hiệu quả: tốc độ hội tụ nhanh hơn và khả năng tổng quát hóa vượt trội trên cùng tập dữ liệu thuỷ âm thực tế. Kết quả này cho thấy lợi ích của lượng tử không chỉ ở độ chính xác mà còn ở việc xây dựng mô hình hiệu quả hơn và mạnh mẽ hơn; mô hình lai mở ra hướng hứa hẹn cho việc áp dụng học máy lượng tử vào hệ thống nhận tín hiệu phức tạp trong thực tiễn.
Tài liệu tham khảo
[1]. Krenn, M. et al., “Artificial intelligence and machine learning for quantum technologies”, Physical Review A, Vol. 107, No. 1, Article 010101, (2023).
[2]. Suzuki, T. et al., “Quantum AI simulator using a hybrid CPU–FPGA approach”, Scientific Reports, Vol. 13, No. 1, Article 7735, (2023).
[3]. Abraham, D. A., Underwater Acoustic Signal Processing: Modeling, Detection, and Estimation, Springer, (2019).
[4]. Zhang, Q. et al., “A comprehensive survey of animal identification: exploring data sources, AI advances, classification obstacles and the role of taxonomy”, International Journal of Intelligent Systems, Vol. 2024, No. 1, Article 7033535, (2024).
[5]. Wang, J. et al., “A Deep Learning Model for Marine Mammal Call Classification”, IEEE Journal of Oceanic Engineering, (2025).
[6]. Ibrahim, A. K. et al., “A multimodel deep learning algorithm to detect North Atlantic right whale up-calls”, The Journal of the Acoustical Society of America, Vol. 150, No. 2, pp. 1264–1272, (2021).
[7]. Zhong, M. et al., “Detecting, classifying, and counting blue whale calls with Siamese neural networks”, The Journal of the Acoustical Society of America, Vol. 149, No. 5, pp. 3086–3094, (2021).
[8]. Miao, Y. et al., “Underwater acoustic signal classification based on sparse time–frequency representation and deep learning”, IEEE Journal of Oceanic Engineering, Vol. 46, No. 3, pp. 952–962, (2021).
[9]. Bach, N. H. et al., “Classifying marine mammals signal using cubic splines interpolation combining with triple loss variational auto-encoder”, Scientific Reports, Vol. 13, No. 1, Article 19984, (2023).
