[論文レビュー] ICCAD Special Session Paper: Quantum-Classical Hybrid Machine Learning for Image Classification

Mahabubul Alam, Satwik Kundu+2 more|arXiv (Cornell University)|Sep 7, 2021

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

本稿では、画像分類のための量子古典ハイブリッド機械学習モデルを提案する。Quanvolution（パラメータ化された量子回路）と量子ニューラルネットワーク（QNN）を組み合わせてエンドツーエンド学習を実現するモデル、または古典的特徴抽出（PCA、CAE）の後にQNNを適用するモデルを検討する。Quanvolutionにおける学習可能なフィルタの有効性を主張し、さまざまな設計選択肢を実験可能なPythonフレームワークを提供する。

ABSTRACT

Image classification is a major application domain for conventional deep learning (DL). Quantum machine learning (QML) has the potential to revolutionize image classification. In any typical DL-based image classification, we use convolutional neural network (CNN) to extract features from the image and multi-layer perceptron network (MLP) to create the actual decision boundaries. On one hand, QML models can be useful in both of these tasks. Convolution with parameterized quantum circuits (Quanvolution) can extract rich features from the images. On the other hand, quantum neural network (QNN) models can create complex decision boundaries. Therefore, Quanvolution and QNN can be used to create an end-to-end QML model for image classification. Alternatively, we can extract image features separately using classical dimension reduction techniques such as, Principal Components Analysis (PCA) or Convolutional Autoencoder (CAE) and use the extracted features to train a QNN. We review two proposals on quantum-classical hybrid ML models for image classification namely, Quanvolutional Neural Network and dimension reduction using a classical algorithm followed by QNN. Particularly, we make a case for trainable filters in Quanvolution and CAE-based feature extraction for image datasets (instead of dimension reduction using linear transformations such as, PCA). We discuss various design choices, potential opportunities, and drawbacks of these models. We also release a Python-based framework to create and explore these hybrid models with a variety of design choices.

研究の動機と目的

• エンドツーエンドの量子古典ハイブリッドモデルを用いた画像分類の実現可能性と性能を調査すること。
• PCAのような線形次元削減手法と比較して、Quanvolutionにおける学習可能な量子フィルタの有効性を評価すること。
• 後続のQNN学習に向けた特徴抽出として、畳み込み自己符号化器（CAE）と古典的次元削減の有効性を比較すること。
• 画像分類のためのハイブリッド量子古典アーキテクチャにおける設計上のトレードオフと機会を特定すること。
• 多様な構成をサポートする再利用可能なPythonフレームワークを提供すること。

提案手法

• 画像からの特徴抽出にパラメータ化された量子回路を用いたQuanvolutionを実装し、古典的畳み込み層に置き換える。
• 抽出された特徴から複雑な意思決定境界を学習するために、量子ニューラルネットワーク（QNN）を統合する。
• PCAやCAEによる古典的次元削減を用いて特徴を抽出し、QNNに供給することで、ハイブリッドモデルの学習を可能にする。
• 固定または線形変換よりも、特徴表現学習の向上を図るために、Quanvolutionにおける学習可能な量子フィルタを優先する。
• Quanvolution、CAE、PCA、QNNのさまざまな組み合わせを実験可能なモジュラーなPythonフレームワークを設計する。
• 量子特徴抽出と量子意思決定を統合した一貫したパイプラインとして、ハイブリッドモデルのエンドツーエンド学習を可能にする。

実験結果

リサーチクエスチョン

• RQ1 PCAのような線形変換と比較して、Quanvolutionにおける学習可能な量子フィルタは、画像分類の特徴表現においてどのように異なるか？
• RQ2 量子古典ハイブリッド画像分類モデルにおいて、CAEを用いた特徴抽出はPCAに比べてどの程度の性能向上を達成できるか？
• RQ3 QuanvolutionとQNNの統合は、画像分類のための量子機械学習においてエンドツーエンド学習をどのように可能にするか？
• RQ4 ハイブリッドモデルにおいて、Quanvolutionと古典的特徴抽出 followed by QNN の間の主な設計上のトレードオフは何か？
• RQ5 古典的特徴抽出手法の選択が、量子古典画像分類器の一般化性能とスケーラビリティにどのように影響するか？

主な発見

• 固定または線形変換（PCAなど）と比較して、Quanvolutionにおける学習可能な量子フィルタは、特徴抽出の質を顕著に向上させる。
• QNN分類に続く特徴を保持する観点で、CAEを用いた特徴抽出はPCAを上回る性能を示す。
• QuanvolutionとQNNを組み合わせたハイブリッドモデルはエンドツーエンド学習を可能にし、古典的特徴抽出 followed by QNN よりも高い精度の可能性を示している。
• 提案されたPythonフレームワークは、多様な設計選択肢の実験を柔軟に可能にし、量子古典画像分類分野における再現可能な研究を支援する。
• 本研究では、勾配消失やハードウェア制限（特に深層QNNにおいて顕著）といった、量子モデルの学習における主な課題を特定した。
• 完全なエンドツーエンドの量子古典モデルは有望であるが、現時点のノイジィな中規模量子（NISQ）ハードウェアの制限により、実用的性能は制限されている。