[論文レビュー] Quanvolutional Neural Networks: Powering Image Recognition with Quantum Circuits

M. Todd Henderson, Samriddhi Shakya+2 more|arXiv (Cornell University)|Apr 9, 2019

Quantum Computing Algorithms and Architecture被引用数 12

ひとこと要約

この論文は、画像データからの特徴抽出に量子回路を用いるハイブリッド量子古典アーキテクチャである「量子畳み込みニューラルネットワーク（QNN）」を導入する。実験的に、MNISTではQNNが95％を超える高いテスト精度と、古典的CNNよりも高速な学習を達成したが、古典的ランダム非線形変換よりも顕著な量子優位性は示されなかった。

ABSTRACT

Convolutional neural networks (CNNs) have rapidly risen in popularity for many machine learning applications, particularly in the field of image recognition. Much of the benefit generated from these networks comes from their ability to extract features from the data in a hierarchical manner. These features are extracted using various transformational layers, notably the convolutional layer which gives the model its name. In this work, we introduce a new type of transformational layer called a quantum convolution, or quanvolutional layer. Quanvolutional layers operate on input data by locally transforming the data using a number of random quantum circuits, in a way that is similar to the transformations performed by random convolutional filter layers. Provided these quantum transformations produce meaningful features for classification purposes, then the overall algorithm could be quite useful for near term quantum computing, because it requires small quantum circuits with little to no error correction. In this work, we empirically evaluated the potential benefit of these quantum transformations by comparing three types of models built on the MNIST dataset: CNNs, quantum convolutional neural networks (QNNs), and CNNs with additional non-linearities introduced. Our results showed that the QNN models had both higher test set accuracy as well as faster training compared to the purely classical CNNs.

研究の動機と目的

• 量子回路を深層学習の画像認識に統合するための量子畳み込み層の導入を通じて、その統合を検討すること。
• ハイブリッド量子古典ニューラルネットワークフレームワークにおいて、量子変換が分類性能を向上させられるかどうかを評価すること。
• 近い将来のノイズの多い中規模量子（NISQ）デバイスを機械学習応用に使用する可能性を評価すること。
• 量子畳み込み層が古典的非線形変換よりも性能優位性を示すかどうかを特定すること。
• 量子特徴がスケールアップして古典的にシミュレートできないかどうかを調査すること。これは、量子優位性の前提条件である。

提案手法

• CNNの標準的な畳み込み層を、局所的な画像パッチにランダムな量子回路を適用する量子畳み込み層に置き換える。
• NISQデバイスと互換性を保つために、少数のキュービット（5〜10）と低ゲート深さの浅い、誤差耐性の高い量子回路を用いる。
• 量子変換を適用する前に、古典的画像データを振幅符号化などの方法で量子状態にエンコードする。
• バックプロパゲーションを用いて全QNNを学習させ、量子回路を微分可能な非線形特徴抽出器として機能させる。
• MNISTデータセット上で、QNNの性能を標準CNNおよび古典的ランダム非線形性を用いたモデルと比較する。
• モデルの性能と収束性を評価する主な指標として、テスト精度と学習損失（log-loss）を用いる。

実験結果

リサーチクエスチョン

• RQ1 ランダムな量子回路を用いて実装された量子畳み込み層は、古典的畳み込み層と比較して画像分類精度を向上させることができるか？
• RQ2 ニューラルネットワークに量子変換を適用することで、古典的対応物と比較して学習収束が速くなるか？
• RQ3 QNNと古典的ランダム非線形性を用いたモデルとの間に測定可能な性能差が生じるか。これは、潜在的な量子優位性を示唆する。
• RQ4 量子畳み込み層が生成する特徴は、スケールアップして古典的にシミュレートできないか。これは、量子優位性のための必須条件である。
• RQ5 量子畳み込みフィルタの数と回路深さは、モデルの性能と収束性にどのように影響するか？

主な発見

• QNNはMNISTデータセットでテストセット精度が95％を超えた。これは、標準的な深層CNNと同等の強力な性能を示している。
• QNNモデルは、それらの古典的CNNの対応物よりも高速に学習が進んだ。これは、量子特徴抽出による潜在的な効率性向上を示唆している。
• QNNと古典的ランダム非線形性を用いたモデルとの間に顕著な性能差は観察されず、この設定では明確な量子優位性は示されなかった。
• 量子畳み込みフィルタの数を増やすことで、精度が向上したが、25〜50フィルタ程度で飽和に達し、それ以上はほとんど向上しなかった。これは、古典的CNNと同様の傾向であった。
• 量子畳み込み層はネットワークスタック内で期待通りに動作し、フィルタ数や学習イテレーションが増えるにつれて一貫した改善を示した。
• 結果から、量子畳み込み層は有効であるが、観察された性能向上は、量子的性質そのものよりも、非線形変換の性質に起因している可能性が高いと示唆された。