[論文レビュー] Reflection Equivariant Quantum Neural Networks for Enhanced Image Classification

Maxwell T. West, M. E. Sevior+1 more|arXiv (Cornell University)|Dec 1, 2022

Quantum Computing Algorithms and Architecture参考文献 45被引用数 4

ひとこと要約

本論文は、画像データセットに内在する反射対称性を活用して、学習性および一般化性能を向上させる反射等変性量子ニューラルネットワーク（REQNN）を提案する。対称な回路設計および基底変換を通じて等変性を強制することで、MNIST、CIFAR-10、CelebAデータセットにおいて、一般の量子回路と比較して顕著に高いテスト精度と遅延する勾配消失を達成した。

ABSTRACT

Machine learning is among the most widely anticipated use cases for near-term quantum computers, however there remain significant theoretical and implementation challenges impeding its scale up. In particular, there is an emerging body of work which suggests that generic, data agnostic quantum machine learning (QML) architectures may suffer from severe trainability issues, with the gradient of typical variational parameters vanishing exponentially in the number of qubits. Additionally, the high expressibility of QML models can lead to overfitting on training data and poor generalisation performance. A promising strategy to combat both of these difficulties is to construct models which explicitly respect the symmetries inherent in their data, so-called geometric quantum machine learning (GQML). In this work, we utilise the techniques of GQML for the task of image classification, building new QML models which are equivariant with respect to reflections of the images. We find that these networks are capable of consistently and significantly outperforming generic ansatze on complicated real-world image datasets, bringing high-resolution image classification via quantum computers closer to reality. Our work highlights a potential pathway for the future development and implementation of powerful QML models which directly exploit the symmetries of data.

研究の動機と目的

• 画像分類のための量子機械学習（QML）モデルにおけるバーレンプレートと過学習の問題に対処すること。
• モデルアーキテクチャに物理的対称性を埋め込むことで、変分量子回路の一般化性能と学習性を向上させること。
• 実世界の画像データセットにおいて、対称性に配慮したQMLモデルが、一般的なデータに依存しないアーキテクチャを上回ることを実証すること。
• 量子回路における反射等変性が、性能向上および勾配フローの改善をもたらすかどうかを調査すること。
• QMLにおける対称性の活用が、画像認識分野における実用的量子優位性への有効な道筋であることを検証すること。

提案手法

• アダミット符号化の後に基底変換を施すことで、反射等変性符号化回路を有する変分量子分類器を設計する。
• 反射対称操作（X^{⊗ n}）と可換なゲートを用いて、変分アーンサツを構築する。
• 隣接するキュービットの測定結果の積を用いて、出力予測における等変性を保持する。
• MNISTには10〜12キュービット、CIFAR-10/CelebAには12キュービットを用い、画像画素をアダミット符号化で実装する。
• 対称性制約なしで深さとパラメータ数が同一の一般量子変分分類器と性能を比較する。
• 3000回のランダム初期化における勾配分散を評価し、学習性を一般モデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 反射等変性を有する量子ニューラルネットワークは、複雑な画像データセットにおける分類精度を向上させることができるか？
• RQ2 量子回路における反射対称性の強制は、勾配消失の遅延と学習性の向上をもたらすか？
• RQ3 反射等変性モデルの性能向上は、対称性に起因するのか、単にアーキテクチャの違いの結果に過ぎないのか？
• RQ4 対称性に配慮した設計は、近位量子機械学習におけるバーレンプレートの緩和にどの程度寄与するか？
• RQ5 幾何的量子機械学習技術は、NISQ時代のハードウェアで高解像度画像分類を可能にするか？

主な発見

• 反射等変性モデルは、MNIST、CIFAR-10、CelebAデータセットにおいて、一般モデルよりも顕著に高いテスト精度を達成し、すべてのベンチマークで一貫した向上が見られた。
• 10〜12キュービットにおける反射等変性モデルの勾配分散は、一般モデルと比較して数個のオーダーも上回っており、より優れた学習性を示している。
• 一般の符号化回路と等変性のある変分ボディを組み合わせたハイブリッドモデルは、完全な反射等変性モデルより性能が劣っており、性能向上の鍵が対称性の尊重にあることを確認した。
• バーレンプレートを明示的に回避するとは限らないが、REQNNは一般モデルと比較して著しく遅延する勾配消失率を示し、より大きな回路への適用可能性を示唆した。
• 結果として、対称性に配慮したQMLモデルが、より表現力に優れた一般モデルを上回ることを実証し、幾何的量子機械学習の価値を浮き彫りにした。
• 本研究は、NISQ時代における量子画像分類の前進に向け、対称性の活用が実用的かつ効果的な戦略であるという実証的証拠を提供した。