[論文レビュー] Quantum artificial vision for defect detection in manufacturing

Daniel Guijo, Victor Onofre+8 more|arXiv (Cornell University)|Aug 9, 2022

Integrated Circuits and Semiconductor Failure Analysis被引用数 4

ひとこと要約

本稿では、GDXray+データセットを用いた自動車製造業界における欠陥検出のため、ゲートベース量子ハードウェア上の量子サポートベクターマシン（QSVM）および量子アニーリング機におけるQBoostという2つの量子機械学習手法を提案し、ベンチマークを実施した。両手法とも、古典的手法を上回る精度を示した。特にQBoostは、広範な前処理を要せず、現在のNISQデバイスで産業的応用に適した問題サイズを実現した。

ABSTRACT

In this paper we consider several algorithms for quantum computer vision using Noisy Intermediate-Scale Quantum (NISQ) devices, and benchmark them for a real problem against their classical counterparts. Specifically, we consider two approaches: a quantum Support Vector Machine (QSVM) on a universal gate-based quantum computer, and QBoost on a quantum annealer. The quantum vision systems are benchmarked for an unbalanced dataset of images where the aim is to detect defects in manufactured car pieces. We see that the quantum algorithms outperform their classical counterparts in several ways, with QBoost allowing for larger problems to be analyzed with present-day quantum annealers. Data preprocessing, including dimensionality reduction and contrast enhancement, is also discussed, as well as hyperparameter tuning in QBoost. To the best of our knowledge, this is the first implementation of quantum computer vision systems for a problem of industrial relevance in a manufacturing production line.

研究の動機と目的

• 産業的欠陥検出における量子機械学習の実現可能性を評価すること。
• 実世界の非平衡画像データに対して、量子アルゴリズム（QSVMおよびQBoost）を古典的手法と比較すること。
• 次元削減およびハイパーパrameterチューニングを伴う現実的な制約下での量子ビジョンシステムの性能を評価すること。
• 現在のNISQハードウェアを用いた量子訓練モデルの実用的導入可能性を検討すること。
• 今日のノイズの多い量子デバイスで、精度および推論効率における量子優位性が達成可能かどうかを特定すること。

提案手法

• 欠陥あり／欠陥なしの自動車部品の2値画像分類を目的として、汎用ゲートベース量子コンピュータ上に量子サポートベクターマシン（QSVM）を適用した。
• D-Wave量子アニーリング機上で、QBoostと呼ばれる量子強化付きブースティングアルゴリズムを適用し、弱学習器と量子アニーリングによる最適化を用いて分類器を訓練した。
• 信号対ノイズ比の向上と計算負荷の低減を目的として、次元削減（PCA）およびコントラスト強化による画像前処理を実施した。
• 性能と推論速度のバランスを取るために、正則化強度および初期の弱学習器数（決定木分類器）を含むQBoostのハイパーパrameterをチューニングした。
• 同じデータセットおよび前処理パイプラインを用いて、直接比較可能な古典的手法（SVM、AdaBoost）をベースラインとして用いた。
• 標準指標（精度、再現率、F1スコア、1枚あたりの推論時間）を用いてモデルを評価した。

実験結果

リサーチクエスチョン

• RQ1 量子機械学習アルゴリズムは、産業的欠陥検出において、古典的手法を上回る分類精度を達成できるか？
• RQ2 QSVMおよびQBoostといった量子アルゴリズムは、非平衡で実世界の産業用画像データにおいて、古典的手法（SVMおよびAdaBoost）をどの程度上回るか？
• RQ3 次元削減およびコントラスト強化は、NISQデバイス上での量子ビジョンシステムの性能にどのように影響するか？
• RQ4 QBoostで訓練されたモデルは、量子学習後、古典的ハードウェア上で効率的にデプロイ可能か？ これにより実用的な産業応用が可能になるか？
• RQ5 正則化や弱学習器数といったハイパーパrameterの関数として、QBoostにおける推論時間とモデル性能のトレードオフはどのようなものか？

主な発見

• D-Wave量子アニーリング機上で実行したQBoostは、古典的手法のAdaBoostを上回る精度を達成し、50個の初期弱学習器と正則化パラメータ0を用いた場合、最高でF1スコア0.94を記録した。
• 極端な次元削減（PCA）に対してもQBoostは高い性能を維持した。これは、データ圧縮に対して高い耐性を示していることを示している。
• QBoostの推論時間は、ハイパーパrameterの変更に関わらず安定しており、1枚あたり平均2.94ミリ秒であった。学習器数の増加に対しても顕著な増加は見られなかった。
• 量子ハードウェアで訓練されたQBoostモデルは、古典的システムでもデプロイ・実行可能であり、完全な量子インfraストラクチャを必要とせず、実用的な産業応用を可能にした。
• QSVMも高い性能を示したが、トレーニングおよび推論の両方で完全な量子実行を必要としており、QBoostに比べて現在のところデプロイの可能性が制限されていた。
• 著者らの知る限り、本研究は、実際の製造データを用いた産業的応用に適した欠陥検出タスクにおける量子コンピュータビジョンの初の実装である。