[논문 리뷰] A Tutorial on Quantum Convolutional Neural Networks (QCNN)

Seunghyeok Oh, Jaeho Choi외 1명|arXiv (Cornell University)|2020. 09. 20.

Quantum Computing Algorithms and Architecture참고 문헌 14인용 수 15

한 줄 요약

이 논문은 고전적 CNN 아키텍처를 양자 계산에 적응시키는 양자 컨volution 신경망(QCNN)을 제안한다. 컨볼루션 및 풀링 레이어에 양자 회로를 사용하고, 다중 척도 얽힘 보정 안자(MERA)를 활용하여 O(log n) 회로 깊이를 달성한다. Tensorflow Quantum를 사용한 MNIST에 대한 시뮬레이션 결과, QCNN는 고전적 CNN 성능을 유지하면서도 소규모 양자 하드웨어에서 효율적인 학습을 가능하게 한다.

ABSTRACT

Convolutional Neural Network (CNN) is a popular model in computer vision and has the advantage of making good use of the correlation information of data. However, CNN is challenging to learn efficiently if the given dimension of data or model becomes too large. Quantum Convolutional Neural Network (QCNN) provides a new solution to a problem to solve with CNN using a quantum computing environment, or a direction to improve the performance of an existing learning model. The first study to be introduced proposes a model to effectively solve the classification problem in quantum physics and chemistry by applying the structure of CNN to the quantum computing environment. The research also proposes the model that can be calculated with O(log(n)) depth using Multi-scale Entanglement Renormalization Ansatz (MERA). The second study introduces a method to improve the model's performance by adding a layer using quantum computing to the CNN learning model used in the existing computer vision. This model can also be used in small quantum computers, and a hybrid learning model can be designed by adding a quantum convolution layer to the CNN model or replacing it with a convolution layer. This paper also verifies whether the QCNN model is capable of efficient learning compared to CNN through training using the MNIST dataset through the TensorFlow Quantum platform.

연구 동기 및 목표

• 다양체 양자 시스템에서의 지수적 데이터 증가 문제를 해결하기 위해 양자 계산을 활용해 효율적인 학습을 수행하고자 한다.
• 양자 컨볼루션 및 풀링 레이어를 사용해 데이터의 공간적 상관관계를 유지하는 QCNN 모델을 설계하고자 한다.
• MNIST 데이터셋을 사용하여 소규모 양자 하드웨어에서 QCNN의 실현 가능성과 성능을 입증하고자 한다.
• 학습 효율성과 정확도를 평가하기 위해 QCNN를 고전적 완전 연결 및 CNN 모델과 비교하고자 한다.
• 하이브리드 양자-고전 아키텍처를 통해 이미지 분류에서의 양자 우월성을 탐구하고자 한다.

제안 방법

• 큐비트 게이트와 얽힘을 사용하여 고전적 CNN의 구조—컨볼루션 및 풀링 레이어—를 양자 회로로 변환한다.
• 시스템 크기를 효율적으로 줄이기 위해 MERA를 역방향으로 적용하여 O(log n) 깊이를 확보한다.
• 학습 가능한 로테이션 게이트(RX, RZ)를 갖춘 매개변수화된 양자 회로를 사용해 특징 학습과 기울기 기반 최적화를 수행한다.
• 고전적 픽셀 데이터를 양자 상태로 매핑하기 위해 큐비트에 대한 로테이션 게이트를 통한 양자 상태 인코딩을 적용한다.
• 측정 기반 디코딩을 사용해 최종 양자 상태에서 고전적 레이블을 추출한다.
• 양자 컨볼루션 레이어를 고전적 완전 연결 레이어와 연결하여 분류를 수행하는 하이브리드 모델을 구현한다.

실험 결과

연구 질문

• RQ1 QCNN는 양자 병렬 처리를 통해 회로 깊이를 줄이면서도 고전적 CNN과 비교해 성능을 유지할 수 있는가?
• RQ2 QCNN는 근접한 양자 하드웨어에서 MNIST와 같은 이미지 분류 작업에서 어떻게 성능을 발휘하는가?
• RQ3 완전 연결 양자 모델에 비해 양자 컨볼루션 레이어를 통합할 경우 학습 효율성이 얼마나 향상되는가?
• RQ4 MERA를 사용해 QCNN가 O(log n) 회로 깊이를 달성함으로써 확장 가능한 양자 학습이 가능한가?
• RQ5 양자 인코딩 및 측정 전략의 선택이 QCNN의 분류 정확도에 어떤 영향을 미치는가?

주요 결과

• QCNN는 다운샘플링된 10×10 MNIST 데이터셋에서 고전적 CNN과 비교해 유사한 분류 성능을 달성했다.
• 완전히 완전 연결된 양자 모델에 비해 QCNN 모델이 뚜렷한 성능 향상을 보이며, 컨볼루션 아키텍처의 이점을 입증했다.
• 양자 컨볼루션 레이어를 통해 MERA를 활용해 O(log n) 회로 깊이로 효율적인 특징 추출이 가능해졌고, 자원 요구량이 감소했다.
• TensorFlow Quantum를 사용한 시뮬레이션을 통해 QCNN가 소규모 양자 프로세서에서 하이브리드 양자-고전 학습에 실현 가능함을 확인했다.
• 모델은 에포크 수준에서 일관된 학습 성능를 보이며, 학습 가능한 양자 게이트를 통한 안정적인 최적화를 보였다.
• 기울기 기반 최적화를 사용한 매개변수화된 양자 회로의 활용이 양자 시뮬레이터에서 효과적인 모델 훈련을 가능하게 했다.