[論文レビュー] Cancer Detection Using Quantum Neural Networks: A Demonstration on a Quantum Computer

Nilima Mishra, Aradh Bisarya+4 more|arXiv (Cornell University)|Nov 1, 2019

Quantum Computing Algorithms and Architecture被引用数 11

ひとこと要約

本論文では、IBM Quantum Experienceプラットフォーム上で教師あり学習を用いて乳がん検出を目的とした10キュービットの量子ニューラルネットワーク（QNN）を提案する。患者のバイオデータをキュービット状態に符号化し、勾配降下法によるパラメータ最適化を実行することで、600サンプルのデータセット上で平均損失2.1%を達成し、医療診断における実用的量子機械学習の可能性を示した。

ABSTRACT

Artificial intelligence and machine learning paves the way to achieve greater technical feats. In this endeavor to hone these techniques, quantum machine learning is budding to serve as an important tool. Using the techniques of deep learning and supervised learning in the quantum framework, we are able to propose a quantum neural network and showcase its implementation. We consider the application of cancer detection to demonstrate the working of our quantum neural network. Our focus is to train the network of ten qubits in a way so that it can learn the label of the given data set and optimize the circuit parameters to obtain the minimum error. Thus, through the use of many algorithms, we are able to give an idea of how a quantum neural network can function.

研究の動機と目的

• 近い将来の量子ハードウェアを用いて医療診断用の実用的量子ニューラルネットワーク（QNN）を開発すること。
• 量子フレームワーク内での教師あり学習手法を応用し、がん性腫瘍と良性腫瘍を分類すること。
• 部分的エンタングルメントを用いてQNNのパラメータ複雑度を低減し、スケーリングをO(N)に抑えること。
• 量子シミュレータを用いて、実世界のバイオメディカルデータ（ウィsコンシン乳がんデータセット）上でQNNの性能を検証すること。
• 現在のノイジィな中規模量子（NISQ）デバイスを用いて、早期がん検出のための量子機械学習の実現可能性を示すこと。

提案手法

• 10個のバイオデータ特徴量（例：半径、テクスチャ）を10キュービットの初期Y回転に符号化し、最小値を|0⟩、最大値を|1⟩にマッピングした。
• O(N²)からO(N)にパラメータ数を削減するため、制御X（CX）ゲートを用いた部分的エンタングルメントQNNアーキテクチャを実装した。
• 対数損失関数を用いた：loss = -(1−l)log(1−l) − l·log(l)，ここでlは期待ラベル（良性：0、悪性：1）である。
• 適応的学習率を用いた勾配降下法により回路パラメータを最適化した：p′ = p − r·∇(loss)/|∇(loss)|。
• 全600サンプルのデータセットと100サンプルのサブセットを用いてネットワークを学習し、イテレーションごとの損失を測定した。
• 量子回路評価を用いて、1つのパラメータずつ数値的に勾配を計算し、パラメータ更新を実行した。

実験結果

リサーチクエスチョン

• RQ1 10キュービットの量子ニューラルネットワークは、量子シミュレータ上で実際のバイオメディカルデータを用いて乳がんを効果的に分類できるか？
• RQ2 部分的エンタングルメントは、分類性能を維持しつつ、QNNにおけるトレーニング可能なパラメータ数をどのように削減するか？
• RQ3 NISQデバイス上で勾配ベースの最適化を用いて学習したQNNは、ウィスコンシン乳がんデータセットに対してどの程度の損失と正答率を達成できるか？
• RQ4 入力データに異常値が存在する場合、量子機械学習モデルの学習ダイナミクスと最終損失にどのような影響を与えるか？
• RQ5 小規模な医療分類タスクにおいて、量子ニューラルネットワークはパラメータ効率性と収束速度の面で、古典的モデルを上回ることができるか？

主な発見

• 全600入力に対して平均損失2.1%を達成したため、強い汎化性能が示された。
• 6.67%の入力が1%を超える損失を示しており、特に分類が困難な少数のデータポイントが存在することが示された。
• 100サンプルのサブセットで学習した場合、平均損失は3.9%に上昇し、6.67%の入力で誤差が5%を超えた。
• 大部分の高損失ケース（10–20%）はモデルの失敗ではなく、データの不整合に起因しており、ノイズに強く、頑健であることが示された。
• パラメータ最適化の過程で、損失がイテレーションごとに明確に低下する傾向が見られ、学習率を手動で低減したインフレクションポイントが明確に観察された。
• 部分的エンタングルメントの導入により、パラメータスケーリングがO(N²)からO(N)に低減され、現在の量子ハードウェアにとってより実用的になった。