基于量子机器学习的增材制造试样表面粗糙度预测方法
量子物理
2023-04-27 v1 人工智能
机器学习
量子代数
摘要
表面粗糙度是影响增材制造部件性能与功能的关键因素。准确预测表面粗糙度对于优化制造工艺和确保最终产品质量至关重要。量子计算近来因其在解决复杂问题和构建精确预测模型方面的潜力而受到关注。在本研究论文中，我们首次对三种量子算法（即量子神经网络（QNN）、量子森林（Q-Forest）和变分量子分类器（VQC）经回归改造）进行了深入比较，用于预测增材制造试样的表面粗糙度。我们使用均方误差（MSE）、平均绝对误差（MAE）和解释方差得分（EVS）作为评估指标来评价算法性能。我们的结果表明，Q-Forest算法优于其他算法，其MSE为56.905、MAE为7.479、EVS为0.2957。相比之下，QNN算法表现出更高的MSE（60.840）和MAE（7.671），且EVS为负值（-0.444），表明其可能不适用于该应用中的表面粗糙度预测。经回归改造的VQC表现出MSE为59.121、MAE为7.597、EVS为-0.0106，表明其性能同样不及Q-Forest算法。
引用
@article{arxiv.2304.13142,
title = {Quantum Machine Learning Approach for the Prediction of Surface Roughness in Additive Manufactured Specimens},
author = {Akshansh Mishra and Vijaykumar S. Jatti},
journal= {arXiv preprint arXiv:2304.13142},
year = {2023}
}