Development of learning models based on machine learning with quantum annealing for learning optimization in the digital era
Uloženo v:
| Název: | Development of learning models based on machine learning with quantum annealing for learning optimization in the digital era |
|---|---|
| Autoři: | Dahnial, Irfan, Al-Khowarizmi, Al-Khowarizmi, Winda, Karina |
| Zdroj: | Eastern-European Journal of Enterprise Technologies; Vol. 3 No. 2 (135) (2025): Information technology. Industry control systems; 65-72 Eastern-European Journal of Enterprise Technologies; Том 3 № 2 (135) (2025): Інформаційні технології. Системи управління в промисловості; 65-72 |
| Informace o vydavateli: | TECHNOLOGY CENTER PC®, 2025. |
| Rok vydání: | 2025 |
| Témata: | machine learning, hyperparameter tuning, оптимізація цифрової трансформації, машинне навчання, налаштування гіперпараметрів, складність квантового відпалу, complexity of quantum annealing, optimization digital transformation |
| Popis: | Об'єктом цього дослідження є прогнозування успішності цифрового навчання. Проблеми, що вирішуються в цьому дослідженні, полягають у низькій точності та ефективності моделі прогнозування, спричиненій складністю навчальних даних, та обмеженнями традиційних методів налаштування, таких як пошук по сітці та випадковий пошук, які не здатні оптимально орієнтуватися в широкому та нелінійному просторі параметрів. Отримані результати показують, що інтеграція квантового відпалу в процес оптимізації гіперпараметрів може значно покращити продуктивність моделі. Точність моделі зросла з 82% до 91%, з постійним покращенням точності, повноти та F1-оцінки. Модель також продемонструвала швидшу збіжність та менші втрати як на навчальних, так і на тестових даних, що свідчить про кращі можливості узагальнення на нові дані. З інтерпретації цих результатів можна зробити висновок, що квантовий відпал може ефективно орієнтуватися в просторі параметрів, досліджуючи комбінації значень, які недоступні традиційними методами. Головною особливістю та характеристикою цих результатів є їхня здатність поєднувати обчислювальну ефективність LightGBM з дослідженням складних рішень за допомогою квантових методів, що робить її дуже придатною для задач динамічного навчання. Сфера застосування та умови практичного використання розробленої моделі включають цифрові системи управління навчанням, адаптивні навчальні платформи. Ці висновки є актуальними для застосування в розробці освітніх систем на основі штучного інтелекту, які підтримують персоналізацію в сучасну епоху цифрової трансформації The object of this study is the prediction of digital learning achievement. The problems solved in this study are the low accuracy and efficiency of the prediction model caused by the complexity of the learning data and the limitations of conventional tuning methods such as grid search and random search which are unable to optimally navigate the wide and non-linear parameter space. The results obtained show that the integration of quantum annealing into the hyperparameter optimization process can significantly improve model performance. Model accuracy increased from 82% to 91%, with consistent improvements in precision, recall, and F1-score. The model also showed faster convergence and lower losses on both training and testing data, indicating better generalization capabilities to new data. Interpretation of these results concludes that quantum annealing can navigate the parameter space efficiently, exploring combinations of values that are unreachable by conventional methods. The main feature and characteristic of these results lies in its ability to combine the computational efficiency of LightGBM with the exploration of complex solutions through quantum methods, making it very suitable for dynamic learning problems. The scope and conditions of practical use of the developed model include digital-based learning management systems, adaptive learning platforms. These findings are relevant to be applied in the development of artificial intelligence-based education systems that support personalization in the current era of digital transformation |
| Druh dokumentu: | Article |
| Popis souboru: | application/pdf |
| Jazyk: | English |
| ISSN: | 1729-3774 1729-4061 |
| Přístupová URL adresa: | https://journals.uran.ua/eejet/article/view/333721 |
| Rights: | CC BY |
| Přístupové číslo: | edsair.scientific.p..d56a6514d1657470cfacf0d4daf69551 |
| Databáze: | OpenAIRE |
Nájsť tento článok vo Web of Science | Abstrakt: | Об'єктом цього дослідження є прогнозування успішності цифрового навчання. Проблеми, що вирішуються в цьому дослідженні, полягають у низькій точності та ефективності моделі прогнозування, спричиненій складністю навчальних даних, та обмеженнями традиційних методів налаштування, таких як пошук по сітці та випадковий пошук, які не здатні оптимально орієнтуватися в широкому та нелінійному просторі параметрів. Отримані результати показують, що інтеграція квантового відпалу в процес оптимізації гіперпараметрів може значно покращити продуктивність моделі. Точність моделі зросла з 82% до 91%, з постійним покращенням точності, повноти та F1-оцінки. Модель також продемонструвала швидшу збіжність та менші втрати як на навчальних, так і на тестових даних, що свідчить про кращі можливості узагальнення на нові дані. З інтерпретації цих результатів можна зробити висновок, що квантовий відпал може ефективно орієнтуватися в просторі параметрів, досліджуючи комбінації значень, які недоступні традиційними методами. Головною особливістю та характеристикою цих результатів є їхня здатність поєднувати обчислювальну ефективність LightGBM з дослідженням складних рішень за допомогою квантових методів, що робить її дуже придатною для задач динамічного навчання. Сфера застосування та умови практичного використання розробленої моделі включають цифрові системи управління навчанням, адаптивні навчальні платформи. Ці висновки є актуальними для застосування в розробці освітніх систем на основі штучного інтелекту, які підтримують персоналізацію в сучасну епоху цифрової трансформації<br />The object of this study is the prediction of digital learning achievement. The problems solved in this study are the low accuracy and efficiency of the prediction model caused by the complexity of the learning data and the limitations of conventional tuning methods such as grid search and random search which are unable to optimally navigate the wide and non-linear parameter space. The results obtained show that the integration of quantum annealing into the hyperparameter optimization process can significantly improve model performance. Model accuracy increased from 82% to 91%, with consistent improvements in precision, recall, and F1-score. The model also showed faster convergence and lower losses on both training and testing data, indicating better generalization capabilities to new data. Interpretation of these results concludes that quantum annealing can navigate the parameter space efficiently, exploring combinations of values that are unreachable by conventional methods. The main feature and characteristic of these results lies in its ability to combine the computational efficiency of LightGBM with the exploration of complex solutions through quantum methods, making it very suitable for dynamic learning problems. The scope and conditions of practical use of the developed model include digital-based learning management systems, adaptive learning platforms. These findings are relevant to be applied in the development of artificial intelligence-based education systems that support personalization in the current era of digital transformation |
|---|---|
| ISSN: | 17293774 17294061 |