[論文レビュー] Variational Quanvolutional Neural Networks with enhanced image encoding

Denny Mattern, Darya Martyniuk+3 more|arXiv (Cornell University)|Jun 14, 2021

Quantum Computing Algorithms and Architecture参考文献 33被引用数 12

ひとこと要約

この論文は、ノイジィーな中規模量子（NISQ）デバイスにおける画像分類の性能を向上させるために、画像符号化を強化した変分量子畳み込みニューラルネットワーク（QNN）を提案している。可変な量子回路と3つの量子画像符号化法（FRQI、NEQR、しきい値符号化）を統合することで、FRQI符号化と小さなフィルターサイズ、可変回路の組み合わせが、類似の制約下で他の符号化法や可変不能なモデルを上回る最高の精度を達成することが示された。

ABSTRACT

Image classification is an important task in various machine learning applications. In recent years, a number of classification methods based on quantum machine learning and different quantum image encoding techniques have been proposed. In this paper, we study the effect of three different quantum image encoding approaches on the performance of a convolution-inspired hybrid quantum-classical image classification algorithm called quanvolutional neural network (QNN). We furthermore examine the effect of variational - i.e. trainable - quantum circuits on the classification results. Our experiments indicate that some image encodings are better suited for variational circuits. However, our experiments show as well that there is not one best image encoding, but that the choice of the encoding depends on the specific constraints of the application.

研究の動機と目的

• 異なる量子画像符号化技術が変分量子畳み込みニューラルネットワーク（QNN）の性能に与える影響を調査すること。
• ハイブリッド量子古典的画像分類フレームワークにおいて、可変（変分）量子回路と固定回路の違いがモデル性能に与える影響を評価すること。
• NISQデバイスにおける分類精度の向上を目的とした、符号化法と回路アーキテクチャの最適な組み合わせを特定すること。
• 現在の量子ハードウェアのリソース制約下で、符号化の複雑さ、回路の深さ、モデル性能のトレードオフを評価すること。

提案手法

• 畳み込みニューラルネットワーク（CNN）を模倣したハイブリッド量子古典アーキテクチャを提案し、画像分類用に量子畳み込みニューラルネットワーク（QNN）として適応した。
• 3つの量子画像符号化法（FRQI（柔軟な量子画像表現）、NEQR（新規にエンタングルされた量子表現）、しきい値符号化）を用いて、古典的画像を量子状態にマッピングした。
• パラメータ化された単一および双量子ビットゲートを備えた変分量子回路（VQC）を用いた可変量子回路を導入し、古典的バックプロパゲーションにより最適化した。
• 固定されたアーキテクチャを採用し、$2\times2$ および $4\times4$ の畳み込みフィルターを用い、実験間で同じゲートシーケンスを適用することで、符号化法と可変性の影響を明確に分離した。
• トレーニングと推論には量子シミュレータを用い、50エポック分の学習を行い、MNISTのサブセット（10,000枚の訓練、500枚の検証、1,000枚のテスト画像）で評価した。
• 10個のランダムシードで性能指標（精度）を平均化し、最後の20エポックにおける平均値と最大値を報告することで、安定性とピーク性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 量子画像符号化（FRQI、NEQR、しきい値）の選択が、変分量子畳み込みニューラルネットワークの分類精度に与える影響は何か？
• RQ2 量子回路を可変化させるか固定化させるかの違いが、モデル性能に与える影響は何か？
• RQ3 FRQI符号化と小さなフィルターサイズ（$2\times2$）の組み合わせが、大きなフィルターまたは他の符号化法と比較して優れた性能を示すか？
• RQ4 回路の深さやリソース要件は、フィルターサイズを拡大する際、モデルの精度にどのように影響するか？
• RQ5 特定の画像符号化戦略と組み合わせた可変量子回路が、分類性能を顕著に向上させるか？

主な発見

• FRQI符号化と$2\times2$フィルター、可変量子回路を組み合わせたモデルが、テスト精度0.854という最高の精度を達成し、可変不能なバージョン（0.806）や他の符号化法を顕著に上回った。
• $2\times2$フィルターの場合、FRQI可変モデルは最大テスト精度0.884に達し、最適な条件下での優れた性能を示した。
• 驚くべきことに、フィルターサイズを$4\times4$に増加させたところ、FRQI符号化では精度が著しく低下し、テスト精度が0.854から0.715に低下した。これは回路の深さやエンタングルメントの問題を示唆している。
• しきい値符号化と$2\times2$フィルターを組み合わせた可変モデルは、テスト精度0.825を達成し、可変不能な状況ではNEQRやFRQIを上回った。これは、非可変設定下での頑健性を示している。
• NEQR符号化は安定的ではあるが、中程度の性能を示し、$4\times4$可変モデルの最大テスト精度は0.846にとどまったが、最良状況下でもFRQIを上回ることはなかった。
• 本研究では、普遍的に最適な符号化法は見つからなかった。代わりに、符号化法、フィルターサイズ、可変性の相互作用に依存しており、FRQI＋小さなフィルター＋可変回路の組み合わせが最も優れた性能を示した。