[論文レビュー] Quantum Image Processing

Alok Anand, Meizhong Lyu+2 more|arXiv (Cornell University)|Mar 1, 2022

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

本稿では、QPIEを用いた画像符号化とノイズモデルを組み込んだ変分量子回路を活用し、ゲートベース量子コンピューティングを用いたエッジ検出および二値分類のための量子画像処理フレームワークを提案する。MNISTおよびCIFARデータセットにおいてノイズ下でもエッジ検出の精度が向上したが、回路の深さとキュービットのオーバーヘッドにより、ノイズと画像サイズが増加するにつれて性能が低下する。

ABSTRACT

Image processing is popular in our daily life because of the need to extract essential information from our 3D world, including a variety of applications in widely separated fields like bio-medicine, economics, entertainment, and industry. The nature of visual information, algorithm complexity, and the representation of 3D scenes in 2D spaces are all popular research topics. In particular, the rapidly increasing volume of image data as well as increasingly challenging computational tasks have become important driving forces for further improving the efficiency of image processing and analysis. Since the concept of quantum computing was proposed by Feynman in 1982, many achievements have shown that quantum computing has dramatically improved computational efficiency [1]. Quantum information processing exploit quantum mechanical properties, such as quantum superposition, entanglement and parallelism, and effectively accelerate many classical problems like factoring large numbers, searching an unsorted database, Boson sampling, quantum simulation, solving linear systems of equations, and machine learning. These unique quantum properties may also be used to speed up signal and data processing. In quantum image processing, quantum image representation plays a key role, which substantively determines the kinds of processing tasks and how well they can be performed.

研究の動機と目的

• ゲートベース量子コンピューティングを用いたエッジ検出および二値分類のための量子画像処理パイプラインの開発。
• 特にデポラライジングノイズおよびパウリノイズを含むノイズの影響が量子エッジ検出の性能に与える影響の評価。
• 実行時間、空間計算量、および画像データセットにおける精度の観点から、量子手法と古典的手法の比較。
• 回路の深さとキュービット要件による、より大きな画像における量子画像処理のスケーラビリティの限界の分析。
• 量子シミュレーションとノイズモデルを活用して、実デバイスへの展開における耐障害性を向上させる可能性の探求。

提案手法

• 画像の符号化に、キュービット数を削減できる長方形画像表現を可能にする量子確率画像符号化（QPIE）を用いる。
• パウリゲートに基づく特徴マップを備えたパラメータ化された量子回路（PQC）を用いて、量子エッジ検出（QHED）パイプラインを実装する。
• 多クラス画像分類のため、ロジスティック回帰モデルとラッソペナルティを組み合わせた変分量子分類器を適用する。
• MNISTおよびCIFAR-10データセットのトレーニングとテストに、量子状態ベクトルとqasmシミュレータを用い、スケーラビリティを確保するための小規模なサンプルにデータを分割する。
• NISQ時代のハードウェア制限を模倣するため、量子回路にデポラライジングノイズおよびパウリノイズのノイズモデルを組み込む。
• さまざまなノイズ条件下でのエッジ検出結果の精度指標と視覚的比較を通じたパフォーマンス評価。

実験結果

リサーチクエスチョン

• RQ1 QPIEに基づく量子画像符号化は、古典的画像表現と比較して、キュービット効率とスケーラビリティの観点でどのように異なるか？
• RQ2 デポラライジングノイズおよびパウリノイズが、MNISTおよびCIFAR-10データセットにおける量子エッジ検出の精度に与える影響は何か？
• RQ3 限られたデータサンプルでトレーニングされた場合、変分量子回路は画像データセットで競争力のある分類精度を達成できるか？
• RQ4 回路の深さとキュービット数は、より大きな画像における量子画像処理のパフォーマンスと信頼性にどのように影響するか？
• RQ5 シミュレーションにおけるノイズモデルは、画像処理タスクにおける実世界の量子ハードウェア制限をどの程度反映しているか？

主な発見

• ノイズなしの条件下で、量子エッジ検出モデルはMNISTデータセットで74%の精度を達成したが、確率0.001のパウリノイズ条件下では68%に低下した。
• デポラライジングノイズは、単一および二重キュービットゲートに同時に適用された場合、単一ゲートノイズよりもモデル性能を著しく劣化させた。
• パウリノイズはデポラライジングノイズよりも分類精度に悪影響を及ぼし、低ノイズ確率（0.01）で6%の精度低下を示した。
• ノイズが存在してもエッジ検出出力における数字は認識可能であり、中程度のノイズ下でも特徴抽出の耐障害性が示された。
• 100件のトレーニングサンプルのみを用いた場合、CIFAR-10でのトレーニング精度は10%に低下したが、主にデータ分割とサンプル数不足に起因した。
• 量子シミュレータの使用によりトレーニング時間が著しく延長されたため、より大きな画像の精度向上のため、データの分割と再結合が不可欠となった。