Unsupervised Machine Learning with Adiabatic Quantum Computing
| dc.contributor.author | ZAIDI , Celia Ourida | |
| dc.contributor.author | ROUABAH , Mohamed Taha Supervisor | |
| dc.date.accessioned | 2026-06-18T09:17:23Z | |
| dc.date.issued | 2025 | |
| dc.description | In recent years, quantum computing has emerged as a promising paradigm for solving combinatorial optimization problems that are intractable for classical algorithms. This thesis investigates the application of quantum-inspired methods to unsupervised clustering tasks using adiabatic quantum computing (AQC) principles. The research concentrates on two prominent clustering techniques: K-Means and Minimum Spanning Tree (MST)-based clustering, both implemented in their classical and QUBO-based forms. Simulated annealing is used to mimic quantum annealing behavior due to limited access to real quantum hardware. A series of experiments were conducted on standard benchmark datasets, including Iris, Blobs, and Moons, to compare the performance of classical and QUBO-based approaches using evaluation metrics. The results reveal that while QUBO clustering methods can achieve competitive performance, they are highly sensitive to penalty weight parameters, and their effectiveness diminishes as dataset size increases. These results show important limitations related to scalability and parameter tuning in current QUBO formulations. Even with these challenges, the study illustrates the capability of quantum-inspired clustering and sets the stage for future research. Opportunities for improvement include hybrid quantum-classical approaches, adaptive penalty tuning, and more efficient QUBO encodings. This work helps to the growing of research at the inter- section of quantum computing and machine learning, and lays the groundwork for more robust quantum clustering frameworks. | |
| dc.description.abstract | Ces dernières années, l’informatique quantique est apparue comme un paradigme prometteur pour résoudre des problèmes d’optimisation combinatoire inaccessibles aux algorithmes classiques. Ce mémoire étudie l’application de méthodes inspirées du quantique à des tâches de partitionnement de données, en s’appuyant sur les principes de l’informatique quantique adiabatique (AQC). L’étude se concentre sur deux techniques majeures : K-Means et le partitionnement basé sur l’arbre couvrant de poids minimal (Minimum Spanning Tree – MST), toutes deux implémentées dans leurs versions classiques et formulées en QUBO. Le recuit simulé est utilisé pour imiter le comportement du recuit quantique, en raison d’un accès limité au matériel quantique réel. Une série d’expériences a été menée sur des jeux de données de référence standards, tels que Iris, Blobs et Moons, afin de comparer les performances des approches classiques et basées sur QUBO à l’aide de métriques d’évaluation. Les résultats révèlent que, bien que les méthodes de partitionnement QUBO puissent atteindre des performances compétitives, elles sont très sensibles aux paramètres de pénalité, et leur efficacité diminue à mesure que la taille du jeu de données augmente. Ces observations mettent en évidence des limites clés liées à la scalabilité et au réglage des paramètres dans les formulations QUBO actuelles. Malgré ces défis, l’étude démontre le potentiel du partitionnement de données inspiré du quantique et constitue une base pour de futures recherches. Des pistes d’amélioration incluent des approches hybrides quantique-classique, un ajustement adaptatif des pénalités, et des codages QUBO plus efficaces. Ce travail contribue au développement croissant de la recherche à l’interface entre l’informatique quantique et l’apprentissage automatique, et ouvre la voie à des cadres de partitionnement quantique plus robustes. | |
| dc.description.sponsorship | في السنوات الأخيرة، ظهرت الحوسبة الكمومية كمنهج واعد لحل مسائل التحسين التوافقي التي يصعب حلها باستخدام الخوارزميات التقليدية. يتناول هذا البحث تطبيق الأساليب المستوحاة من الحوسبة الكمومية في مهام التحليل العنقودي ضمن إطار التعلم الاستنتاجي، بالاعتماد على مبادئ الحوسبة الكمومية الآدياباتية .(AQC) تركّز الدراسة على تقنيتين بارزتين في التحليل العنقودي: خوارزمية "كاي مينز - " (K-Means) و التحليل العنقودي المعتمد على شجرة الإمتداد الدنيا (MST). وقد تم تنفيذ كل منهما بصيغتين: تقليدية وأخرى معتمدة على نموذج .QUBO ونظرًا لمحدودية الوصول إلى العتاد الكمومي الحقيقي، تم استخدام التلدين المحاكى لمحاكاة سلوك التلدين الكمومي . تم إجراء سلسلة من التجارب على مجموعات بيانات معيارية مثل "Iris" و "Blobs" و "Moons" ، وذلك لمقارنة أداء الأساليب التقليدية وتلك المبنية على نموذج QUBO باستخدام مقاييس تقييم مناسبة. أظهرت النتائج أن الأساليب المعتمدة على QUBO يمكن أن تحقق أداءً تنافسيا،ً لكنها شديدة الحساسية لقيمة وزن العقوبة، كما أن فعاليتها تنخفض مع زيادة حجم البيانات. وتبرز هذه النتائج التحديات المرتبطة بقابلية التوسع وصعوبة ضبط المعاملات في النماذج الحالية . رغم هذه التحديات، تظُهر الدراسة الإمكانيات الواعدة للتحليل العنقودي المستوحى من الحوسبة الكمومية، وتوف ر أساسًا مهمًا لأبحاث مستقبلية. من بين مسارات التحسين المقترحة: استخدام منهج هجين يجمع بين الأساليب التقليدية والكمومية، وضبط تك يّفي لأوزان العقوبة، وتطوير نماذج QUBO أكثر كفاءة. يسهم هذا العمل في دعم النمو المتزايد للبحث في تقاطع الحوسبة الكمومية وتعلم الآلة، ويمهد الطريق نحو اطار تحليل عنقودي كمومي أكثر قوة وموثوقية | |
| dc.identifier.other | MAI/0975 | |
| dc.identifier.uri | https://repository.univ-setif.dz/handle/123456789/1065 | |
| dc.language.iso | en | |
| dc.publisher | Setif 1 University Ferhat Abbas . Faculty of Sciences | |
| dc.subject | Classical Clustering | |
| dc.subject | Quantum Computing | |
| dc.subject | QUBO | |
| dc.title | Unsupervised Machine Learning with Adiabatic Quantum Computing | |
| dc.type | Thesis |