[論文レビュー] Convolution filter embedded quantum gate autoencoder

Kodai Shiba, Katsuyoshi Sakamoto+3 more|arXiv (Cornell University)|Jun 4, 2019

Quantum Computing Algorithms and Architecture参考文献 3被引用数 7

ひとこと要約

この論文では、畳み込みフィルタを量子ゲート操作に統合することで、近位量子コンピュータ上で効率的な特徴抽出と画像ノイズ除去を実現する量子オートエンコーダーを提案する。少数のキュービット上で畳み込み処理を適用することで、数 hundredキュービットの画像データに対して98%のオートエンコーディング精度を達成し、MNISTデータの次元削減において古典的PCAを上回るが、IBM Q Melbourneにおけるハードウェア制限により高い誤り率が生じた。

ABSTRACT

The autoencoder is one of machine learning algorithms used for feature extraction by dimension reduction of input data, denoising of images, and prior learning of neural networks. At the same time, autoencoders using quantum computers are also being developed. However, current quantum computers have a limited number of qubits, which makes it difficult to calculate big data. In this paper, as a solution to this problem, we propose a computation method that applies a convolution filter, which is one of the methods used in machine learning, to quantum computation. As a result of applying this method to a quantum autoencoder, we succeeded in denoising image data of several hundred qubits or more using only a few qubits under the autoencoding accuracy of 98%, and the effectiveness of this method was obtained. Meanwhile, we have verified the feature extraction function of the proposed autoencoder by dimensionality reduction. By projecting the MNIST data to two-dimension, we found the proposed method showed superior classification accuracy to the vanilla principle component analysis (PCA). We also verified the proposed method using IBM Q Melbourne and the actual machine failed to provide accurate results implying high error rate prevailing in the current NISQ quantum computer.

研究の動機と目的

• 現在の量子コンピュータのキュービット数に制限がある中で、大規模データを処理する課題に対処すること。
• 古典的機械学習からの畳み込みフィルタリング技術を統合することで、量子オートエンコーダーを向上させること。
• わずか数キュービットで画像データの有効な次元削減とノイズ除去を可能にすること。
• 特にIBM Q Melbourneを含む実際のNISQハードウェア上で、手法の性能を評価すること。

提案手法

• 畳み込みフィルタを量子回路構造に直接埋め込み、局所的でパラメータ化された量子操作によって入力データを変換する。
• エンコーダーが畳み込み量子ゲートを適用して入力画像からの特徴を抽出する、量子オートエンコーダーのアーキテクチャを設計する。
• デコーダーは圧縮された潜在表現から入力を再構築し、再構築精度を最適化するように学習する。
• 畳み込みゲートの設計により、全体の画像を一度に処理するのではなく、局所的な画像パッチを処理することで、必要なキュービット数を削減する。
• パラメータ化された量子ゲートを用いた変分量子回路アプローチでモデルを学習する。
• MNISTデータを2次元に投影し、古典的PCAとの分類精度を比較することで、手法の性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 畳み込みフィルタリングを量子ゲート操作に効果的に統合することで、量子オートエンコーダーのキュービット要件を低減できるか？
• RQ2 わずか数キュービットで、畳み込みゲートを備えた量子オートエンコーダーが、大規模な画像データのノイズ除去をどの程度効果的に行えるか？
• RQ3 次元削減後の分類精度に関して、提案手法は古典的PCAと比べてどの程度優れているか？
• RQ4 なぜこの手法は、IBM Q Melbourneのような現在のNISQハードウェアでは正確な結果を生成できないのか？

主な発見

• 提案された量子オートエンコーダーは、数キュービットで数 hundredキュービットの画像データをノイズ除去する際、98%の再構築精度を達成した。
• MNISTデータを2次元に削減した場合、本手法はアンサンブルPCAよりも優れた分類精度を示した。
• 畳み込みフィルタの統合により、最小限のキュービットオーバーヘッドで効果的な特徴抽出と次元削減が可能となった。
• IBM Q Melbourneでは正確な結果が得られなかったことから、現在のNISQデバイスでは高い誤り率が顕在していることが示された。
• 結果から、提案手法は理論的には妥当であるが、現在はハードウェアのノイズと誤り率によって制限されていることが示唆された。