[論文レビュー] Scalable Quantum Convolutional Neural Networks

Hankyul Baek, Won Joon Yun+1 more|arXiv (Cornell University)|Sep 26, 2022

Quantum Computing Algorithms and Architecture被引用数 4

ひとこと要約

本稿では、量子ニューラルネットワークにおけるバレン・プレイトゥー（barren plateau）問題を克服するスケーラブルな量子畳み込みニューラルネットワーク（sQCNN）を提案する。複数の有限サイズのフィルタを用い、新規のリバースフィデリティトレーニング（RF-Train）アルゴリズムを採用することで、量子状態のフィデリティを用いて特徴の多様性を正則化する。sQCNNは、MNISTおよびFMNISTにおいて、通常のトレーニングを施したQCNNと比較して16%高いトップ1精度を達成し、フィルタ数の増加に伴いスケーラビリティと性能が向上することを示している。

ABSTRACT

With the beginning of the noisy intermediate-scale quantum (NISQ) era, quantum neural network (QNN) has recently emerged as a solution for the problems that classical neural networks cannot solve. Moreover, QCNN is attracting attention as the next generation of QNN because it can process high-dimensional vector input. However, due to the nature of quantum computing, it is difficult for the classical QCNN to extract a sufficient number of features. Motivated by this, we propose a new version of QCNN, named scalable quantum convolutional neural network (sQCNN). In addition, using the fidelity of QC, we propose an sQCNN training algorithm named reverse fidelity training (RF-Train) that maximizes the performance of sQCNN.

研究の動機と目的

• フィルタあたりのキュービット数を増加させることなく、量子畳み込みニューラルネットワーク（QCNN）におけるバレン・プレイトゥー問題を解消すること。
• フィルタあたりのキュービット数を増加させずに、複数の有限サイズのフィルタを用いることで、QCNNにおけるスケーラブルな特徴抽出を可能にすること。
• 量子フィデリティを正則化子として用いることで、特徴の多様性とモデル性能を向上させるトレーニングアルゴリズムの開発。
• 標準的な視覚データセット上で、sQCNNのスケーラビリティと性能優位性を実証的に検証すること。

提案手法

• バレン・プレイトゥーを回避するために、フィルタあたりのキュービット数を増加させず、複数の有限サイズの量子フィルタを用いるスケーラブルなQCNNアーキテクチャ「sQCNN」を提案する。
• 異なるフィルタの出力状態間のフィデリティに基づくリバースフィデリティ（RF）正則化子を設計し、特徴の多様性を最大化する。
• RF正則化子を総損失関数に統合し、$\mathcal{L}_{total} = \mathcal{L}_{CE} + \lambda \mathcal{L}_{RF}$ として定式化する。ここで、$\mathcal{L}_{RF}$ はフィルタ出力間の類似性を最小化する。
• 分類のための交差エントロピー損失 $\mathcal{L}_{CE}$ を用い、精度と特徴多様性を同時に最適化する。
• 調整可能な $\lambda$ を用いたミニバッチベースのトレーニング手順を採用し、フィデリティ正則化の強度を制御する。
• MNISTおよびFMNISTデータセットにこのトレーニングアルゴリズムを適用し、性能とスケーラビリティを評価する。

実験結果

リサーチクエスチョン

• RQ1 フィルタあたりのキュービット数を増加させることなく、QCNNアーキテクチャをスケーラブルにできないか？
• RQ2 量子状態のフィデリティを正則化子として用いることで、量子畳み込みネットワークにおける特徴多様性とモデル性能が向上するか？
• RQ3 sQCNNのトップ1精度は、標準的な視覚ベンチマークにおいて、通常のトレーニングを施したQCNNと比較してどのように異なるか？
• RQ4 sQCNNのフィルタ数を増加させることで一貫した性能向上が得られるか？これは従来のQCNNとは対照的である。

主な発見

• RF-Trainを用いたsQCNNは、MNISTデータセットにおいて、RF-Trainを適用しないsQCNN（$\lambda = 0$）と比較して16%高いトップ1精度を達成した。
• RF-Train手法により、抽出された特徴間のユーグリッド距離が増加し、特徴多様性の向上が確認された。
• フィルタ数の増加に伴ってもsQCNNは安定した性能を維持し、スケーラビリティを示した。
• 一方、QCNNはフィルタあたりのキュービット数を8から16に増加させた際、30%の性能低下を示したが、sQCNNはより多くのフィルタを用いることで一貫した改善を示した。
• 出力状態間のフィデリティが低下することで、RF正則化子がフィルタ出力間の類似性を効果的に低減していることが裏付けられた。
• sQCNNは、MNISTおよびFMNISTの両データセットにおいて、通常のトレーニングを施したQCNNを上回った。特に $\lambda$ 値が大きい場合に顕著な性能向上が見られた。