[論文レビュー] Efficient Quantum Convolutional Neural Networks for Image Classification: Overcoming Hardware Constraints

Peter Röseler, Oliver Schaudt+3 more|ArXiv.org|May 9, 2025

Quantum Computing Algorithms and Architecture被引用数 3

ひとこと要約

要約: 本論文は断片符号化を用いた通常のQCNNを提案し、49量子ビットで28×28のMNIST画像を処理し、実機量子ハードウェアで96.08%の精度を達成、同一の学習条件下で古典的CNNベースラインを上回る。

ABSTRACT

While classical convolutional neural networks (CNNs) have revolutionized image classification, the emergence of quantum computing presents new opportunities for enhancing neural network architectures. Quantum CNNs (QCNNs) leverage quantum mechanical properties and hold potential to outperform classical approaches. However, their implementation on current noisy intermediate-scale quantum (NISQ) devices remains challenging due to hardware limitations. In our research, we address this challenge by introducing an encoding scheme that significantly reduces the input dimensionality. We demonstrate that a primitive QCNN architecture with 49 qubits is sufficient to directly process $28\times 28$ pixel MNIST images, eliminating the need for classical dimensionality reduction pre-processing. Additionally, we propose an automated framework based on expressibility, entanglement, and complexity characteristics to identify the building blocks of QCNNs, parameterized quantum circuits (PQCs). Our approach demonstrates advantages in accuracy and convergence speed with a similar parameter count compared to both hybrid QCNNs and classical CNNs. We validated our experiments on IBM's Heron r2 quantum processor, achieving $96.08\%$ classification accuracy, surpassing the $71.74\%$ benchmark of traditional approaches under identical training conditions. These results represent one of the first implementations of image classifications on real quantum hardware and validate the potential of quantum computing in this area.

研究の動機と目的

• 現在のNISQデバイス上で古典的前処理なしにQCNNを可能にする入力次元の削減。
• 表現力・エンタングルメント・複雑さ基準に基づくPQC設計によるQCNNの畳み込み層の自動設計。
• MNISTタスクにおけるハイブリッドQCNNと断片符号化QCNNを古典的CNNベースラインと比較。
• IBMの量子ハードウェアでのQCNNの性能と収束速度を検証。
• 効果的なQCNNアーキテクチャと埋め込みの設計原理を特定。

提案手法

• 新しい符号化方式を導入し、原始的なQCNNで49量子ビットの直接処理を可能にする入力次元削減を大幅に実現。
• ベイズ最適化を用いて表現力・エンタングルメント・複雑さ基準に guided したCNNベースラインとPQC Ansatzを設計。
• 二つのQCNNアーキテクチャを評価：層ごとに測定を行うハイブリッドQCNNと、入力断片を並列処理する断片符号化通常QCNN。
• エクスプレシビリティとエンタングルメント閾値を優先する目的関数LPQCを定義・適用し、回路の複雑さを最小化。
• IBMのHeron r2量子プロセッサ上でベンチマークを行い、同一の学習条件下で最適化された古典CNNベースラインと比較。
• 断片符号化に触発された2×2畳み込み窓により、1量子ビットゲートと1つの普遍ゲートで符号化を行い、完全に量子処理を可能にする。

実験結果

リサーチクエスチョン

• RQ1 断片符号化で訓練されたQCNNは、古典的次元削減なしで全MNIST画像を直接処理できるか。
• RQ2 表現力とエンタングルメントに最適化されたPQCsは、ハイブリッドQCNNや古典CNNより性能上の利点を提供するか。
• RQ3 ハイブリッドQCNNと通常のQCNNの二値および多クラスMNISTタスクにおける比較精度と収束挙動はどうなるか。
• RQ4 同条件下で実機ハードウェアでのトレーニングは最適化された古典ベースラインを上回るか。
• RQ5 符号化戦略（断片符号化 vs. 量子ビット符号化）はスケーラビリティとハードウェア実現性にどのように影響するか。

主な発見

• 断片符号化を用いた49量子ビットの通常QCNNは、事前の次元削減なしに28×28のMNIST画像を直接処理できる。
• IBMのHeron r2ハードウェア上で、通常QCNNは96.08%の精度を達成、同一の学習条件下で最適化CNNは71.74%だった。
• 断片符号化を備えた通常QCNNは収束が速く、二値分類で古典ベースラインを上回ることがある。
• 最良の通常QCNN構成（WUE埋め込みと追加の3つのU3層を含む）は、0対1で非常に低い標準偏差を持って98.7%の精度を達成。
• ハイブリッドQCNNアーキテクチャは報告設定で古典CNNを上回らなかったが、タイプIIハイブリッドQCNNはCNNの性能に近づいた（例：4量子ビット設定で0/1に対して92.29%）。
• 実験は、QCNNバリアントの収束速度がCNNより改善される傾向を示す一方、より複雑なタスクでは古典CNNが依然競争力を保つことを示唆している。