Задачи распознавания образов и обучения нейросетей лежат в основе использования передовых цифровых, интеллектуальных технологий. Нейросети используются в нашей жизни повсеместно: они позволяют определять предметы на фотографиях, с их помощью рассчитывают прогноз для получения прибыли. В медицине при помощи нейросетей можно определить вероятность злокачественных заболеваний. Чтобы обучить нейросеть определенной задаче, используется машинное обучение. Но оно не всегда бывает эффективным. Чтобы оценить эффективность машинного обучения, используется матрица ошибок. Она включает в себя количество исходов распознавания. Нейросети и квантовые вычисления – два наиболее динамично развивающихся направления информационных технологий. Предлагаемый способ описания обученности нейросетей объединяет их общим формализмом сферой Блоха. Представляется важным и многообещающим привлечь для описания нейросетей квантовую логику и теорию вероятностей, основанную на амплитудах вероятностей. В таком описании состояние обученности системы должно характеризоваться не матрицей, а вектором состояния. При таком подходе, матрицы будут описывать процесс обучения нейросети.

The tasks of pattern recognition and neural network training are the basis for the use of advanced digital, intelligent technologies. Neural networks are used everywhere in our lives: they allow us to identify objects in photographs, and they are used to calculate a forecast for making a profit. In medicine, neural networks can be used to determine the probability of malignant diseases. Machine learning is used to train a neural network for a specific task. But it is not always effective. An error matrix is ​​used to evaluate the effectiveness of machine learning. It includes the number of recognition outcomes. Neural networks and quantum computing are two of the most dynamically developing areas of information technology. The proposed method for describing the learning of neural networks unites them with a common formalism - the Bloch sphere. It seems important and promising to involve quantum logic and probability theory based on probability amplitudes to describe neural networks. In such a description, the state of the system's learning should be characterized not by a matrix, but by a state vector. With this approach, the matrices will describe the learning process of the neural network.