[論文レビュー] Random Quantum Neural Networks (RQNN) for Noisy Image Recognition

Debanjan Konar, Erol Gelenbe+3 more|arXiv (Cornell University)|Mar 3, 2022

Quantum Computing Algorithms and Architecture被引用数 7

ひとこと要約

この論文は、重ね合わせと振幅符号化を活用してノイズのある画像認識を向上させる、ハイブリッド古典量子モデルであるランダム量子ニューラルネットワーク（RQNN）を提案する。変分量子回路とパラメータシフト則を用いた古典的トレーニングを統合することで、MNIST、FashionMNIST、KMNISTで平均94.9％の精度を達成し、ノイズ環境下での古典的RNN、SNN、AlexNetを上回る性能を示した。

ABSTRACT

Classical Random Neural Networks (RNNs) have demonstrated effective applications in decision making, signal processing, and image recognition tasks. However, their implementation has been limited to deterministic digital systems that output probability distributions in lieu of stochastic behaviors of random spiking signals. We introduce the novel class of supervised Random Quantum Neural Networks (RQNNs) with a robust training strategy to better exploit the random nature of the spiking RNN. The proposed RQNN employs hybrid classical-quantum algorithms with superposition state and amplitude encoding features, inspired by quantum information theory and the brain's spatial-temporal stochastic spiking property of neuron information encoding. We have extensively validated our proposed RQNN model, relying on hybrid classical-quantum algorithms via the PennyLane Quantum simulator with a limited number of \emph{qubits}. Experiments on the MNIST, FashionMNIST, and KMNIST datasets demonstrate that the proposed RQNN model achieves an average classification accuracy of $94.9\%$. Additionally, the experimental findings illustrate the proposed RQNN's effectiveness and resilience in noisy settings, with enhanced image classification accuracy when compared to the classical counterparts (RNNs), classical Spiking Neural Networks (SNNs), and the classical convolutional neural network (AlexNet). Furthermore, the RQNN can deal with noise, which is useful for various applications, including computer vision in NISQ devices. The PyTorch code (https://github.com/darthsimpus/RQN) is made available on GitHub to reproduce the results reported in this manuscript.

研究の動機と目的

• 古典的ランダムニューラルネットワーク（RNN）のパターン認識における限界、特に深層学習モデルに比べて精度が低く、ノイズに弱い点を是正すること。
• 重ね合わせや振幅符号化といった量子の利点を活用するため、新しい教師ありランダム量子ニューラルネットワーク（RQNN）アーキテクチャを設計すること。
• 変分量子回路とパラメータシフト則を用いた、ハイブリッド古典量子フレームワークにおける量子パラメータ最適化を支援する、頑健なトレーニング戦略を開発すること。
• ノイズ環境下での標準画像データセットにおけるRQNNの性能を評価し、精度とノイズ耐性の面で古典的対応手法を上回ることを示すこと。

提案手法

• RQNNモデルは、入力データを量子状態に振幅符号化し、特徴抽出に変分量子回路（VQC）を用いるハイブリッド古典量子アーキテクチャを採用する。
• 量子層では、トレーニング可能なパラメータρとσを有するRXおよびRY回転ゲートを使用し、効率的なバックプロパゲーションのためのパラメータシフト則を用いて更新する。
• 損失関数はバイナリクロスエントロピーとして定義される：𝒪(θ) = Σⱼ [γⱼ log z(ωⱼ) + (1−γⱼ) log(1−z(ωⱼ))]、ここでz(ωⱼ)は入力ωⱼに対する予測出力である。
• 回転角に関する損失の勾配は、パラメータシフト則を用いて計算される：∂z/∂ρⱼᶿ = ½[ℳᶿ₊₁₍ρ±π/₂₎ − ℳᶿ₍ρ±π/₂₎]、σに対しても同様の式が成り立つ。
• 量子回路パラメータの効率的最適化を可能にするために、PennyLane量子シミュレータを用いてトレーニングを行う。
• MNIST、FashionMNIST、KMNISTの入力データは、分類のための入力構造を保持するように、振幅符号化により量子状態にエンコードされる。

実験結果

リサーチクエスチョン

• RQ1 重ね合わせと振幅符号化を活用するハイブリッド古典量子ニューラルネットワークは、ノイズ環境下での画像認識において、古典的RNNを上回る性能を示せるか？
• RQ2 変分量子回路とランダムスパikingニューロンの原理を統合することで、ノイズ入力に対する耐性が向上するか？
• RQ3 MNIST、FashionMNIST、KMNISTといった標準ベンチマークデータセットにおいて、ノイズ環境下でのRQNNの達成可能な分類精度はどの程度か？
• RQ4 パラメータシフト則は、教師ありRQNNフレームワークにおける量子回路を通した効果的なバックプロパゲーションを可能にするか？

主な発見

• 提案されたRQNNモデルは、標準条件下でMNIST、FashionMNIST、KMNISTデータセットの平均分類精度が94.9％に達した。
• 古典的RNN、スパikingニューラルネットワーク（SNN）、AlexNetに比べ、ノイズ環境下でも優れた耐性を示し、高い精度を維持した。
• 振幅符号化と変分量子回路の使用により、限られたキュービット数の枠組み内でも、画像データの効率的表現と処理が可能になった。
• パラメータシフト則により、量子パラメータの効果的勾配計算が可能となり、RQNNモデルのエンドツーエンドトレーニングが支援された。
• RQNNフレームワークは、生物学的ニューロンの確率的スパiking行動を量子重ね合わせによって効果的に活用し、ノイズ耐性が向上した。
• GitHub上のオープンソースPyTorch実装により、報告された結果の完全な再現性が確保された。