[論文レビュー] Multiclass classification using quantum convolutional neural networks with hybrid quantum-classical learning

Denis Bokhan, Alena S. Mastiukova+3 more|arXiv (Cornell University)|Mar 29, 2022

Quantum Computing Algorithms and Architecture被引用数 6

ひとこと要約

本論文は、新規の量子パーセプトロンと最適化された回路設計を備えた量子畳み込みニューラルネットワーク（QCNN）を用いたハイブリッド量子古典的多値分類モデルを提案する。TensorFlow Quantumを介して実装されたこの手法は、8つのデータキュービットと4つのアーキテクチャキュービットを用いて4クラスのMNISTタスクで85.14%の精度を達成し、パラメータ数が同等の古典的CNNと同等の性能を示した。これは、4クラスのQCNNにおいてこのような精度が達成された初の報告である。

ABSTRACT

Multiclass classification is of great interest for various applications, for example, it is a common task in computer vision, where one needs to categorize an image into three or more classes. Here we propose a quantum machine learning approach based on quantum convolutional neural networks for solving the multiclass classification problem. The corresponding learning procedure is implemented via TensorFlowQuantum as a hybrid quantum-classical (variational) model, where quantum output results are fed to the softmax activation function with the subsequent minimization of the cross entropy loss via optimizing the parameters of the quantum circuit. Our conceptional improvements here include a new model for a quantum perceptron and an optimized structure of the quantum circuit. We use the proposed approach to solve a 4-class classification problem for the case of the MNIST dataset using eight qubits for data encoding and four ancilla qubits; previous results have been obtained for 3-class classification problems. Our results show that accuracies of our solution are similar to classical convolutional neural networks with comparable numbers of trainable parameters. We expect that our finding provide a new step towards the use of quantum neural networks for solving relevant problems in the NISQ era and beyond.

研究の動機と目的

• 変動量子回路を用いたスケーラブルな量子機械学習フレームワークを、多値分類に適用する。
• 従来の3クラス問題に限られていた既存の量子畳み込みニューラルネットワークアーキテクチャを、4クラス以上に対応可能に拡張する。
• 新規の量子パーセプトロンモデルと最適化されたエンタングルメント構造を用いて、量子回路の効率性と表現力の両方を向上させる。
• 同程度のパラメータ数を有する古典的CNNと比較することで、多値画像分類における量子優位性の可能性を評価する。

提案手法

• TensorFlow Quantumを用いて、交差エントロピー損失に基づく勾配降下法による訓練が可能なハイブリッド量子古典的変動モデルを実装する。
• 入力データは振幅符号化により8キュービットにエンコードされ、4つの追加のアーキテクチャキュービットは測定出力の読み出し専用に使用される。
• 表現力の向上を目的として、標準的な1キュービット回転の代わりにパラメータ化されたエンタングルメントゲートを導入した新規の量子パーセプトロンモデルを提案する。
• 量子回路構造は、畳み込みフィルタリング、プーリング、全結合層を含む古典的CNNを模倣しており、出力クラス数に一致するようキュービット数を削減する。
• パラメータ最適化は古典的最適化器を用い、交差エントロピー損失を最小化する。量子出力をソフトマックス活性化関数に供給し、多値予測を実現する。
• 計算中にアーキテクチャキュービットとデータキュービットの間のエンタングルメントを回避することで、ハードウェアの複雑さを低減する。

実験結果

リサーチクエスチョン

• RQ1 多値画像分類において、量子畳み込みニューラルネットワークアーキテクチャを4クラス以上に効果的に拡張できるか？
• RQ2 提案された量子パーセプトロンモデルは、多値設定における標準的なパラメータ化量子回路と比較して分類精度を向上させるか？
• RQ3 同程度のトレーニング可能なパラメータ数を有する場合、QCNNは古典的CNNと同等の分類性能を達成できるか？
• RQ4 パラメータ化されたエンタングルメントと最適化された回路トポロジーの導入が、多値量子分類器の性能に与える影響はどの程度か？
• RQ5 測定専用のアーキテクチャキュービットを用いることで、モデル精度を損なわずにハードウェア制約を軽減できるか？

主な発見

• 提案されたQCNNは、4クラスのMNIST数字分類タスクで85.14%の精度を達成し、3クラス問題を超える多値量子分類の実現可能性を示した。
• Chalumuriら（2021）のベースラインQCNNと比較して13.7ポイントの精度向上を達成し、新規の量子パーセプトロンと回路設計の有効性を示した。
• QCNNの精度（85.14%）は、188パラメータの古典的CNN（94.25%）と同等であり、現在のNISQ制限下でも競争力のある性能を示した。
• パラメータ化されたエンタングルメントとCNNを模倣した回路構造の導入により、単純な回路設計と比較して分類精度が顕著に向上した。
• アーキテクチャキュービットを計算中はエンタングルメントを介さずに測定専用に使用できることが実証され、ハードウェア要件が簡素化された。
• 本研究は、同程度のパラメータ数で古典モデルと同等の性能を示す4クラスの量子多値分類器をQCNNを用いて初めて成功裏に実現した。