[논문 리뷰] Efficient Quantum Convolutional Neural Networks for Image Classification: Overcoming Hardware Constraints

Peter Röseler, Oliver Schaudt외 3명|ArXiv.org|2025. 05. 09.

Quantum Computing Algorithms and Architecture인용 수 3

한 줄 요약

논문은 49퀀트로 28×28 MNIST 이미지를 처리하는 프래그먼트 인코딩 일반 QCNN을 제시하며, 실제 양자 하드웨어에서 96.08%의 정확도를 달성하고 동일한 학습 조건에서 고전적 CNN 베이스라인을 능가합니다.

ABSTRACT

While classical convolutional neural networks (CNNs) have revolutionized image classification, the emergence of quantum computing presents new opportunities for enhancing neural network architectures. Quantum CNNs (QCNNs) leverage quantum mechanical properties and hold potential to outperform classical approaches. However, their implementation on current noisy intermediate-scale quantum (NISQ) devices remains challenging due to hardware limitations. In our research, we address this challenge by introducing an encoding scheme that significantly reduces the input dimensionality. We demonstrate that a primitive QCNN architecture with 49 qubits is sufficient to directly process $28 imes 28$ pixel MNIST images, eliminating the need for classical dimensionality reduction pre-processing. Additionally, we propose an automated framework based on expressibility, entanglement, and complexity characteristics to identify the building blocks of QCNNs, parameterized quantum circuits (PQCs). Our approach demonstrates advantages in accuracy and convergence speed with a similar parameter count compared to both hybrid QCNNs and classical CNNs. We validated our experiments on IBM's Heron r2 quantum processor, achieving $96.08\%$ classification accuracy, surpassing the $71.74\%$ benchmark of traditional approaches under identical training conditions. These results represent one of the first implementations of image classifications on real quantum hardware and validate the potential of quantum computing in this area.

연구 동기 및 목표

• 현재의 NISQ 기기에서 고전적 전처리 없이 QCNN의 입력 차원 축소를 달성한다.
• 표현성, 얽힘, 복잡도 기준에 따라 QCNN 컨볼루션 계층의 PQC 설계를 자동화한다.
• MNIST 과제에서 하이브리드 QCNN과 프래그먼트 인코딩 QCNN을 고전적 CNN 베이스라인과 비교한다.
• IBM의 양자 하드웨어에서 QCNN의 성능 및 수렴 속도를 검증한다.
• 효과적인 QCNN 아키텍처 및 임베딩에 대한 설계 원칙을 식별한다.

제안 방법

• 새로운 인코딩 체계를 도입하여 입력 차원을 크게 축소하고 원시 QCNN으로 49퀀츠에서 직접 28×28 MNIST 처리를 가능하게 한다.
• 표현성, 얽힘, 복잡도 기준에 따라 CNN 베이스라인 및 PQC 앤사세를 설계하기 위해 베이지안 최적화를 사용한다.
• 두 가지 QCNN 아키텍처를 평가한다: 계층별 측정이 있는 하이브드 QCNN와 입력 프래그먼트를 병렬로 처리하는 프래그먼트 인코딩 정규 QCNN.
• 목표 LPQC를 정의하고 적용하여 회로 복잡도 최소화에 앞서 표현성 및 얽힘 임계값을 우선시한다.
• 동일 학습 조건에서 IBM의 Heron r2 양자 프로세서를 사용하여 벤치마크하고 최적화된 고전 CNN 베이스라인과 비교한다.
• 2×2 합성 윈도에서 영감을 받아 완전한 양자 처리를 단일 큐비트 게이트와 인코딩을 위한 단일 범용 게이트로 가능하게 하는 프래그먼트 인코딩을 제안한다.

실험 결과

연구 질문

• RQ1 프래그먼트 인코딩으로 학습된 QCNN이 전체 MNIST 이미지를 고전적 차원 축소 없이 직접 처리할 수 있는가?
• RQ2 표현성 및 얽힘에 최적화된 PQC가 하이브드 QCNN 및 고전 CNN에 비해 성능 이점을 제공하는가?
• RQ3 하이브드 대 일반 QCNN의 이진 및 다항 MNIST 작업에서의 비교 정확도 및 수렴 특성은 어떤가?
• RQ4 동일 조건에서 실험실 양자 하드웨어에서의 학습이 최적화된 고전 베이스라인보다 얼마나 우수한가?
• RQ5 프래그먼트 인코딩 대 큐비트 인코딩 같은 인코딩 전략이 확장성 및 하드웨어 실현 가능성에 미치는 영향은 무엇인가?

주요 결과

• 49퀀트 일반 QCNN은 차원 축소 없이도 28×28 MNIST 이미지를 직접 처리할 수 있습니다.
• IBM의 Heron r2 하드웨어에서 일반 QCNN은 96.08%의 정확도, 동일한 학습 조건에서 최적화된 CNN은 71.74%의 정확도를 달성했습니다.
• 프래그먼트 인코딩을 사용하는 일반 QCNN은 더 빠른 수렴을 보이며 이진 숫자 분류에서 고전적 베이스라인을 능가할 수 있습니다.
• 최적의 일반 QCNN 구성(WUE 임베딩에 추가로 세 개의 U3 계층)을 사용하면 0 대 1에서 매우 낮은 표준편차로 98.7%의 정확도를 달성했습니다.
• 하이브리드 QCNN 아키텍처는 보고된 설정에서 고전 CNN을 능가하지 못했지만 Type II 하이브리드 QCNN은 CNN 성능에 근접했습니다(예: 네 쿼비트 구성에서 0/1의 경우 92.29%).
• 실험 결과 QCNN 변형이 CNN보다 수렴 속도가 빠른 경향을 보이나, 더 복잡한 작업에서 여전히 전반적으로 고전 CNN이 경쟁력을 유지합니다.