حسین ترحمی اردکانی مجله بین‌المللی کامپیوتر، فناوری اطلاعات و هوش مصنوعی 1 1 (پاییز) 2025 12 18 Hybrid quantum-classical architectures for accelerating machine learning algorithms معماری‌های هیبرید کوانتومی – کلاسیک برای شتاب‌دهی به الگوریتم‌های یادگیری ماشین 89 98 10.22051/jera.2021.31891.2698 FA حمیدرضا کارشناسی ارشد ریاضی دانشگاه علم و صنعت ایران 2025 12 02 Recent advances in quantum computing technology have sparked a growing interest in the development and investigation of hybrid computing architectures in which quantum and classical processors work in concert to solve complex computational problems. This paper systematically reviews the role and potential of these hybrid architectures in accelerating and improving machine learning algorithms. Despite the scalability and noise challenges of current quantum processors (NISQ), hybrid architectures offer a promising paradigm for early exploitation of quantum advantage in practical problems. This paper provides a comprehensive overview of the basic concepts, key algorithmic frameworks (such as hybrid quantum-classical models, variational algorithms or VQAs, and quantum feature learning), application areas (including quantum chemistry, optimization, and pattern recognition), and technical and future challenges in the field. The analysis suggests that in the short to medium term, hybrid algorithms are likely to have the greatest impact on solving machine learning problems and may eventually pave the way for fully quantum algorithms. The review is based on up-to-date research literature (between 2020 and 2025) and includes a discussion of recent experimental results, evaluation criteria, and future trends. پیشرفت‌های اخیر در فناوری محاسبات کوانتومی، علاقه فزاینده‌ای را به توسعه و بررسی معماری‌های محاسباتی هیبرید برانگیخته است که در آن پردازنده‌های کوانتومی و کلاسیک به صورت هماهنگ برای حل مسائل محاسباتی پیچیده عمل می‌کنند. این مقاله به بررسی سیستماتیک نقش و پتانسیل این معماری‌های هیبرید در شتاب‌دهی و بهبود الگوریتم‌های یادگیری ماشین می‌پردازد. با وجود چالش‌های موجود در مقیاس‌پذیری و نویز پردازنده‌های کوانتومی فعلی (NISQ)، معماری‌های هیبرید پارادایمی امیدوارکننده برای بهره‌گیری اولیه از مزیت کوانتومی در مسائل عملی ارائه می‌دهند. این مقاله مروری جامع بر مفاهیم پایه، چارچوب‌های الگوریتمی کلیدی (مانند مدل‌های کوانتومی-کلاسیک ترکیبی، الگوریتم‌های variational یا VQAs، و یادگیری ویژگی کوانتومی)، حوزه‌های کاربردی (شامل شیمی کوانتومی، بهینه‌سازی و تشخیص الگو)، و چالش‌های فنی و آینده این حوزه ارائه می‌کند. تحلیل‌ها نشان می‌دهند که در کوتاه‌مدت و میان‌مدت، الگوریتم‌های هیبرید احتمالاً بیشترین تأثیر را در حل مسائل یادگیری ماشین خواهند داشت و در نهایت ممکن است راه را برای الگوریتم‌های کاملاً کوانتومی هموار کنند. این بررسی بر اساس ادبیات پژوهشی به روز (بین سال‌های 2020 تا 2025) انجام شده و شامل بحث در مورد نتایج تجربی اخیر، معیارهای ارزیابی و روندهای آینده است. /downloadfilepdf/88451