[논문 리뷰] Image Classification via Quantum Machine Learning

Héctor Iván García Hernández, Raymundo Torres Ruiz외 1명|arXiv (Cornell University)|2020. 11. 03.

Quantum Computing Algorithms and Architecture참고 문헌 13인용 수 11

한 줄 요약

이 논문은 이진 인코딩된 패턴과 양자 상태의 초월성을 사용하여 이미지 분류를 위한 완전한 양자 기반 머신러닝 분류기를 제안한다. 실질적인 데이터셋, 특히 균형 잡힌 클래스와 극도로 불균형한 클래스에서 유의미한 성능을 보이며, 의료 영상에서 중요한 소수 클래스에 특히 효과적임을 입증함으로써 이론을 초월해 양자 머신러닝의 실용성을 검증한다.

ABSTRACT

Quantum Computing and especially Quantum Machine Learning, in a short period of time, has gained a lot of interest through research groups around the world. This can be seen in the increasing number of proposed models for pattern classification applying quantum principles to a certain degree. Despise the increasing volume of models, there is a void in testing these models on real datasets and not only on synthetic ones. The objective of this work is to classify patterns with binary attributes using a quantum classifier. Specially, we show results of a complete quantum classifier applied to image datasets. The experiments show favorable output while dealing with balanced classification problems as well as with imbalanced classes where the minority class is the most relevant. This is promising in medical areas, where usually the important class is also the minority class.

연구 동기 및 목표

• 이론적 증명과 합성 데이터를 넘어서 실제 세계의 이미지 데이터셋에서 양자 머신러닝 모델을 검증하는 것.
• 소수 클래스가 임상적으로 중요한 경우(예: 질병 탐지)에 특히 어려운 불균형 분류 문제를 해결하는 것.
• 실제 양자 하드웨어 제약 조건과 실용적인 인코딩을 사용한 완전한 양자 분류기 구현을 보여주는 것.
• 제한된 큐비트 수와 노이즈가 있는 근접한 양자 장치에서 양자 분류의 확장성과 내구성 평가하기.
• 의료 및 고위험 응용 분야에서 향후 양자 강화 이미지 분류의 기반 마련하기.

제안 방법

• 모든 픽셀 값을 ±1로 표현하는 균일한 가중치의 계산 기저 상태 초월성에 이진 이미지 패턴을 매핑하여 양자 상태로 인코딩한다.
• 입력 및 가중치 상태를 준비하기 위해 유니타리 변환을 사용하여 내적 계산을 위한 양자 간섭을 가능하게 한다.
• 제어 연산과 |1⟩ 상태 측정을 통해 양자 회로를 사용하여 입력 상태와 가중치 상태 간의 내적을 계산한다.
• 측정 결과에 임계값 기반 메커니즘을 적용하여 입력이 두 클래스 중 하나에 속하는지 분류한다.
• 하이브리드 양자-클래식 모델 구현 및 회로 생성을 위해 Qiskit과 PyTorch를 사용한다.
• 두 가지 실질적 데이터셋(MNIST 유사 및 Semeion 숫자)에서 표준 머신러닝 평가 지표(정확도, 정밀도, 재현율, F1, AUC)를 적용한다.

실험 결과

연구 질문

• RQ1 제한된 큐비트 수를 가진 환경에서 완전한 양자 분류기가 실질적인 이미지 분류 작업에서 경쟁 가능한 성능을 달성할 수 있는가?
• RQ2 소수 클래스가 가장 중요한 경우(예: 의료 진단) 불균형 데이터셋에서 양자 분류기는 어떤 성능을 보이는가?
• RQ3 제한된 데이터와 하드웨어 노이즈가 존재하는 상황에서도 소수 클래스에 대해 높은 재현율과 F1 점수를 유지할 수 있는가?
• RQ4 현재의 노이즈가 있는 중간 규모 양자(NISQ) 장치에서도 양자 초월성과 간섭이 패턴 분류에서 계산적 우수성을 제공할 수 있는가?
• RQ5 클래식 이미지 데이터를 양자 상태로 매핑하는 데서 발생하는 실용적 과제와 실제 하드웨어에서의 정밀도 유지 문제는 무엇인가?

주요 결과

• 균형 잡힌 MNIST 유사 데이터에서 양자 분류기는 평균 F1 점수 0.872를 기록했으며, 개별 클래스의 F1 점수 범위는 0.739에서 0.964였다.
• 극도로 불균형한 데이터에서 소수 클래스의 재현율은 최대 1.0을 유지했으며, F1 점수 범위는 0.161에서 0.204였다.
• 가장 불균형한 경우, 디지트 7에 대해 AUC는 0.567, 디지트 5에 대해 0.560을 기록하여 불균형에도 불구하고 중간 수준의 분류 능력을 보였다.
• Semeion 데이터셋에서 모델은 높은 성능을 보였으며, 디지트 7의 최대 재현율은 0.977였고, 모든 클래스 평균 정확도는 0.839였다.
• 재입력 오차 분석 결과, 극도로 불균형한 조건에서도 대부분의 클래스에서 오차율이 0.25 이하로 낮아 모델의 일반화 능력이 합리적으로 우수함을 확인했다.
• 불균형 설정에서 소수 클래스 탐지에 있어 분류기가 뛰어난 내구성을 보였으며, 디지트 0, 1, 4, 5, 6, 7, 8, 9의 재현율이 0.95 초과를 기록했다.