[논문 리뷰] A Quantum Convolutional Neural Network Approach for Object Detection and Classification

Gowri Namratha Meedinti, Kandukuri Sai Srirekha외 1명|arXiv (Cornell University)|2023. 07. 17.

Quantum Computing Algorithms and Architecture인용 수 5

한 줄 요약

이 논문은 MNIST 데이터셋을 사용하여 객체 검출 및 분류 작업에서 양자 컨volution 신경망(QCNNs)을 고전적 CNN 및 ANN과 비교하여 평가한다. 이론적으로는 유망한 성능을 보이지만, QCNNs와 QNNs는 52–61%의 정확도를 기록하여 고전적 모델(99.9% 정확도의 CNN, 91.4% 정확도의 ANN)에 비해 유의미하게 열등하다. 이는 현재의 양자 모델이 하드웨어 및 노이즈 제약으로 인해 소규모 작업에서는 아직 경쟁력이 없다는 것을 시사한다.

ABSTRACT

This paper presents a comprehensive evaluation of the potential of Quantum Convolutional Neural Networks (QCNNs) in comparison to classical Convolutional Neural Networks (CNNs) and Artificial / Classical Neural Network (ANN) models. With the increasing amount of data, utilizing computing methods like CNN in real-time has become challenging. QCNNs overcome this challenge by utilizing qubits to represent data in a quantum environment and applying CNN structures to quantum computers. The time and accuracy of QCNNs are compared with classical CNNs and ANN models under different conditions such as batch size and input size. The maximum complexity level that QCNNs can handle in terms of these parameters is also investigated. The analysis shows that QCNNs have the potential to outperform both classical CNNs and ANN models in terms of accuracy and efficiency for certain applications, demonstrating their promise as a powerful tool in the field of machine learning.

연구 동기 및 목표

• 객체 검출 및 분류 작업에서 고전적 CNN 및 인공신경망(ANNs)과 비교하여 양자 컨volution 신경망(QCNNs)의 성능을 평가하는 것.
• 배치 크기와 입력 크기가 QCNN의 효율성과 정확도에 미치는 영향을 조사하는 것.
• QCNN의 성능이 저하되기 시작하는 최대 복잡도 수준을 결정하는 것.
• 이미지 분류 작업에서 QCNN이 고전적 모델보다 양자적 이점을 제공하는지 평가하는 것.
• 근접한 양자 하드웨어가 양자 신경망 학습 및 구현에 미치는 제약을 탐색하는 것.

제안 방법

• 연구는 데이터를 양자 환경에서 표현하기 위해 큐비트를 사용하여 QCNN을 구현하고, 양자 회로에 적합한 컨볼루션 및 풀링 레이어를 적용한다.
• 고전적 CNN 및 ANN 모델은 동일한 MNIST 데이터셋을 사용하여 직접 비교 가능하도록 학습된다.
• 학습은 경사 하강 최적화를 사용하며, 다양한 배치 크기와 입력 크기에서 성능을 측정한다.
• 현재 물리적 양자 프로세서의 제약으로 인해 양자 모델은 고전적 하드웨어에서 시뮬레이션된다.
• 배치 크기와 에포크 수에 따른 정확도 및 손실 값을 기록하고 비교한다.
• 노이즈, 분해상태 및 큐비트 수 제약과 같은 양자 전용 과제를 분석에 포함한다.

Figure 1: Convolutional Neural Networks

실험 결과

연구 질문

• RQ1 QCNNs가 이미지 분류 작업에서 정확도 및 효율성 측면에서 고전적 CNN 및 ANN을 능가할 수 있는가?
• RQ2 배치 크기와 입력 크기가 고전적 모델과 비교해 QCNN의 성능에 어떤 영향을 미치는가?
• RQ3 QCNN이 효과적으로 처리할 수 있는 최대 복잡도 수준(입력 크기 및 배치 크기 기준)은 무엇인가?
• RQ4 이론적으로는 양자적 이점이 있는 것으로 여겨지지만, 왜 MNIST 데이터셋에서 QCNNs의 성능이 열등한가?
• RQ5 큐비트 수와 공명 시간 등의 하드웨어 제약이 QCNN 성능에 얼마나 큰 영향을 미치는가?

주요 결과

• 고전적 CNN은 손실 0.0031를 기록하며 99.9%의 정확도를 달성하여 모든 양자 모델을 크게 앞서나간다.
• 고전적 ANN은 손실 0.2180를 기록하며 91.41%의 정확도를 달성하여 MNIST 데이터셋에서 뛰어난 성능을 보였다.
• QCNNs는 다양한 배치 크기와 에포크에서 52–61%의 정확도를 기록하여 MNIST에서 일반화 능력이 열악하다는 것을 시사한다.
• 양자 신경망(QNNs)은 50–60%의 정확도를 기록하여 테스트된 데이터셋에서 최소한의 학습 능력을 보였다.
• MNIST 데이터셋의 크기가 작아(사전 처리 후 훈련 및 테스트 이미지 수가 1,000~2,000개로 감소) QCNN의 성능 저하에 기여한 것으로 보인다.
• 제한된 큐비트 수, 짧은 공명 시간, 근접한 양자 컴퓨터의 높은 오류율 등 하드웨어 제약이 QCNN의 성능 저하의 주요 원인이다.

Figure 2: Table-1 Major works in Quantum CNN