[論文レビュー] Quantum Neural Networks: A Comparative Analysis and Noise Robustness Evaluation

Tasnim Ahmed, Muhammad Kashif+2 more|ArXiv.org|Jan 24, 2025

Neural Networks and Applications被引用数 3

ひとこと要約

この論文は MNIST 上で QuanNN、QCNN、QTL HQNN を比較し、さまざまな量子ノイズチャネルに対する堅牢性を分析した結果、一般に QuanNN が最も堅牢であることを示す。

ABSTRACT

In current noisy intermediate-scale quantum (NISQ) devices, hybrid quantum neural networks (HQNNs) offer a promising solution, combining the strengths of classical machine learning with quantum computing capabilities. However, the performance of these networks can be significantly affected by the quantum noise inherent in NISQ devices. In this paper, we conduct an extensive comparative analysis of various HQNN algorithms, namely Quantum Convolution Neural Network (QCNN), Quanvolutional Neural Network (QuanNN), and Quantum Transfer Learning (QTL), for image classification tasks. We evaluate the performance of each algorithm across quantum circuits with different entangling structures, variations in layer count, and optimal placement in the architecture. Subsequently, we select the highest-performing architectures and assess their robustness against noise influence by introducing quantum gate noise through Phase Flip, Bit Flip, Phase Damping, Amplitude Damping, and the Depolarizing Channel. Our results reveal that the top-performing models exhibit varying resilience to different noise gates. However, in most scenarios, the QuanNN demonstrates greater robustness across various quantum noise channels, consistently outperforming other models. This highlights the importance of tailoring model selection to specific noise environments in NISQ devices.

研究の動機と目的

• ノイズフリー条件下での3つの HQNN モデル（QuanNN、QCNN、QTL）の画像分類性能を評価する
• 回路アーキテクチャ（エンタングルメントの型、レイヤ深度、配置）が HQNN の性能に与える影響を調べる
• さまざまなノイズチャネルに対して最も堅牢なアーキテクチャを特定する
• ノイズ環境に基づく NISQ デバイス向けの HQNN 設計方針を提供する

提案手法

• 4量子ビット VQC を用いた QuanNN、QCNN、QTL の3つの HQNN 変体を深さ 1–6 で実装・比較する
• エンタングルメント回路の型（Weakly、Basic、Strongly）を変化させ、性能への影響を観察する
• クォータ数を揃え多クラス分類を可能にするため MNIST のサブセット（クラス 0–3）を使用する
• ノイズフリーの実行で ≥80% の accuracy を達成する最良構成を選択し、以降のノイズ耐性テストを実施する
• VQC の末尾に量子ノイズゲート（ビットフリップ、位相フリップ、位相減衰、振幅減衰、デポラライジングチャネル）を、確率 0.1–1.0 で導入する
• ノイズ条件下と理想条件下の訓練・検証精度を評価する
• ノイズがあるデバイスにおけるアーキテクチャ選択を導く堅牢性の差を報告する

Figure 1: Motivational Case study. (a)Two different variant of HQNN (QCNN and QuanNN) yields different performance with the same underlying architecture of quantum layers (b) Different effects of Bit Flip noise on the performance of QCNN and QuanNN highlight unique noise sensitivities of different H

実験結果

リサーチクエスチョン

• RQ1 どの HQNN アーキテクチャ（QuanNN、QCNN、QTL）が、さまざまな VQC 設定で最もノイズフリーの多クラス分類性能を提供するか？
• RQ2 理想条件下でのエンタングルメントの度合いとレイヤ深度が、各 HQNN モデルの性能に与える影響は？
• RQ3 トップパフォーマンスの HQNN アーキテクチャは、異なる量子ノイズチャネルとノイズレベルに対してどの程度堅牢か？
• RQ4 複数のノイズタイプ（ビットフリップ、位相フリップ、位相減衰、振幅減衰、デポラライジング）に対して、どのアーキテクチャが最も一貫した堅牢性を示すか？

主な発見

• QuanNN はノイズフリーの多クラス分類において、テスト条件の系列で一般的に QCNN および QTL よりも高い性能を示す。
• QCNN の性能はエンタングルメントの度合いとレイヤ深度に敏感で、単調ではない挙動が見られる。
• QTL は一貫して低性能で、構成に関係なく約 20% 程度の精度しか達せず、実施タスクには不利である。
• ノイズ下では QuanNN が複数のチャネルでより堅牢だが、QCNN の堅牢性はチャネル依存性が高い。
• Amplitude Damping および Depolarizing ノイズは、QCNN に対して雰囲気的な耐性パターンを示し、ノイズ確率が増えると閾値様に劣化する。
• QCNN は極めて低いビットフリップ確率でノイズ支援学習を示すことがあるが、一般化は理想条件と同程度であり、ノイズが増えると学習効果は低下する。
• さらなるノイズ解析のために特定された最適構成: 強結合 VQC を用いた QCNN（3層）; Basic 結合 VQC を用いた QuanNN（3層）。

Figure 2: Architecture overview of Sslected HQNN algorithms. Each model utilizes a classical fully connected layer to transform quantum circuit measurement into classification probabilities. In the QCNN, classical convolutional and pooling layers are used for image downsizing to match the qubit coun