[논문 리뷰] ICCAD Special Session Paper: Quantum-Classical Hybrid Machine Learning for Image Classification

Mahabubul Alam, Satwik Kundu외 2명|arXiv (Cornell University)|2021. 09. 07.

Quantum Computing Algorithms and Architecture인용 수 4

한 줄 요약

이 논문은 이미지 분류를 위한 양자-고전 하이브리드 기계학습 모델을 제안하며, 파arameterized quantum circuits(Quanvolution)와 양자 신경망(QNN)을 사용해 엔드 투 엔드 학습을 구현하거나, 고전적 특징 추출(PCA, CAE)을 거쳐 QNN를 사용하는 방식을 제안한다. Quanvolution에서 학습 가능한 필터와 선형 차원 축소 기법보다 더 나은 성능을 내기 위해 고려하며, 다양한 설계 선택지를 실험할 수 있는 파이썬 프레임워크를 제공한다.

ABSTRACT

Image classification is a major application domain for conventional deep learning (DL). Quantum machine learning (QML) has the potential to revolutionize image classification. In any typical DL-based image classification, we use convolutional neural network (CNN) to extract features from the image and multi-layer perceptron network (MLP) to create the actual decision boundaries. On one hand, QML models can be useful in both of these tasks. Convolution with parameterized quantum circuits (Quanvolution) can extract rich features from the images. On the other hand, quantum neural network (QNN) models can create complex decision boundaries. Therefore, Quanvolution and QNN can be used to create an end-to-end QML model for image classification. Alternatively, we can extract image features separately using classical dimension reduction techniques such as, Principal Components Analysis (PCA) or Convolutional Autoencoder (CAE) and use the extracted features to train a QNN. We review two proposals on quantum-classical hybrid ML models for image classification namely, Quanvolutional Neural Network and dimension reduction using a classical algorithm followed by QNN. Particularly, we make a case for trainable filters in Quanvolution and CAE-based feature extraction for image datasets (instead of dimension reduction using linear transformations such as, PCA). We discuss various design choices, potential opportunities, and drawbacks of these models. We also release a Python-based framework to create and explore these hybrid models with a variety of design choices.

연구 동기 및 목표

• Quanvolution과 QNN를 사용한 엔드 투 엔드 양자-고전 하이브리드 모델의 실현 가능성과 성능을 조사하는 것.
• PCA와 같은 선형 차원 축소 기법과 비교해 Quanvolution에서 학습 가능한 양자 필터의 효과를 평가하는 것.
• 후속 QNN 학습을 위한 고전적 차원 축소 기법과 비교해 컨volutional 오토에인코드르(CAE)를 사용한 특징 추출의 효과를 평가하는 것.
• 이미지 분류를 위한 하이브리드 양자-고전 아키텍처에서의 설계적 트레이드오프와 기회를 규명하는 것.
• 다양한 구성 요소를 지원하는 재사용 가능한 파이썬 프레임워크를 제공하는 것.

제안 방법

• 이미지에서 특징을 추출하기 위해 파arameterized quantum circuits를 사용해 Quanvolution을 구현하여 고전적 컨볼루션 레이어를 대체한다.
• 추출된 특징에서 복잡한 결정 경계를 학습하기 위해 양자 신경망(QNNs)을 통합한다.
• PCA나 CAE를 통한 고전적 차원 축소를 통해 특징을 추출한 후 QNN에 입력하여 하이브리드 모델 학습을 가능하게 한다.
• 고정 또는 선형 변환보다 학습 가능한 양자 필터를 Quanvolution에 우선 적용하여 특징 표현 학습을 향상시키는 것.
• Quanvolution, CAE, PCA, QNN 구성 요소의 다양한 조합을 실험할 수 있도록 모듈러한 파이썬 프레임워크를 설계하는 것.
• 양자 특징 추출과 양자 결정 기반의 통합 파이프라인을 통해 하이브리드 모델의 엔드 투 엔드 학습을 가능하게 하는 것.

실험 결과

연구 질문

• RQ1 PCA와 같은 선형 변환과 비교해 Quanvolution에서 학습 가능한 양자 필터는 이미지 분류의 특징 표현 측면에서 어떤가?
• RQ2 양자-고전 하이브리드 이미지 분류 모델에서 CAE 기반 특징 추출은 PCA보다 어떤 성능 향상을 가져오는가?
• RQ3 Quanvolution과 QNN의 통합은 양자 기계학습에서 이미지 분류의 엔드 투 엔드 학습을 어떻게 가능하게 하는가?
• RQ4 하이브리드 모델에서 Quanvolution과 고전적 특징 추출 후 QNN를 사용하는 것 사이의 주요 설계 트레이드오프는 무엇인가?
• RQ5 고전적 특징 추출 방법의 선택은 양자-고전 이미지 분류기의 일반화 및 확장성에 어떤 영향을 미치는가?

주요 결과

• Quanvolution에서 학습 가능한 양자 필터는 고정 또는 선형 변환(예: PCA)보다 특징 추출의 품질을 크게 향상시킨다.
• CAE 기반 특징 추출은 후속 QNN 분류를 위해 분류에 유용한 이미지 특징을 더 잘 유지한다.
• Quanvolution과 QNN를 결합한 하이브리드 모델은 엔드 투 엔드 학습을 가능하게 하여, 고전적 특징 추출 후 QNN를 사용하는 것보다 높은 정확도를 보일 잠재력을 보여준다.
• 제안된 파이썬 프레임워크는 다양한 설계 선택지를 실험할 수 있도록 지원하여, 양자-고전 이미지 분류 분야에서 재현 가능한 연구를 가능하게 한다.
• 이 연구는 기울기 소실 및 하드웨어 제약 등 양자 모델 학습 시 주요 과제를 규명하였으며, 특히 깊은 QNN에서 두드러진다.
• 전체 엔드 투 엔드 양자-고전 모델은 가능성은 있으나, 현재의 노이지 중간 규모 양자(NISQ) 하드웨어의 제약으로 인해 실용적 성능은 제한되어 있다.