[논문 리뷰] Image Compression and Classification Using Qubits and Quantum Deep Learning

Ali Mohsen, Mohit Tiwari|arXiv (Cornell University)|2021. 10. 08.

Quantum Computing Algorithms and Architecture참고 문헌 34인용 수 7

한 줄 요약

이 논문은 고전적 이미지를 더 적은 큐비트로 압축하여 양자 신경망(QNN)이 표준 랩탑에서 실제적인 $16\times16$ MNIST 숫자를 분류할 수 있도록 하는 새로운 양자 이미지 인코딩 방법을 제안한다. 이 방법은 동일한 파rameter 수를 가진 고전적 신경망과 비교해 유사한 정확도를 달성하며, 고전적으로 처리하기 어려운 이미지 크기에서 확장 가능한 양자 기계학습을 실현한다.

ABSTRACT

Recent work suggests that quantum machine learning techniques can be used for classical image classification by encoding the images in quantum states and using a quantum neural network for inference. However, such work has been restricted to very small input images, at most 4 x 4, that are unrealistic and cannot even be accurately labeled by humans. The primary difficulties in using larger input images is that hitherto-proposed encoding schemes necessitate more qubits than are physically realizable. We propose a framework to classify larger, realistic images using quantum systems. Our approach relies on a novel encoding mechanism that embeds images in quantum states while necessitating fewer qubits than prior work. Our framework is able to classify images that are larger than previously possible, up to 16 x 16 for the MNIST dataset on a personal laptop, and obtains accuracy comparable to classical neural networks with the same number of learnable parameters. We also propose a technique for further reducing the number of qubits needed to represent images that may result in an easier physical implementation at the expense of final performance. Our work enables quantum machine learning and classification on classical datasets of dimensions that were previously intractable by physically realizable quantum computers or classical simulation

연구 동기 및 목표

• 고전적 이미지 분류를 위한 양자 기계학습에서 큐비트 확장성 장벽을 극복하기 위해.
• 물리적으로 실현 가능한 큐비트 수로 실제적인 더 큰 이미지(최대 $16\times16$)를 양자 시스템을 사용해 분류할 수 있도록 하기 위해.
• 매우 높은 얽힘 상태를 띤 FRQI로 인코딩된 이미지에 특화된 QNN 아키텍처를 개발하여 고전적 모델과 경쟁 가능한 성능을 달성하기 위해.
• 새로운 이중 큐비트 압축 기법을 통해 큐비트 수 감소와 분류 정확도 간의 상호 상관관계를 탐색하기 위해.

제안 방법

• 고전적 이미지를 큐비트 수가 기하급수적으로 줄어드는 고전적 비트 표현보다 훨씬 적은 큐비트로 표현하기 위해 FRQI 인코딩 체계를 사용한다.
• FRQI로 인코딩된 이미지의 얽힘 구조를 처리할 수 있도록 설계된 CRADL 및 CRAML 레이어를 갖춘 맞춤형 QNN 아키텍처를 적용한다.
• 성능 저하를 감수하면서도 큐비트 요구량을 추가로 줄이기 위해 이중 큐비트 압축 기법을 적용한다.
• 기존의 양자 기계학습 프레임워크인 Cirq와 TensorFlow Quantum와의 호환성을 확보하기 위해 전반적인 파ip라인을 이중 큐비트 게이트만으로 구현한다.
• 표준 역전파 알고리즘과 파rameterized 양자 회로를 사용해 MNIST에서의 분류 정확도 최적화를 위해 QNN를 훈련시킨다.
• 대규모 양자 하드웨어가 필요 없이도 구현 가능함을 입증하기 위해 개인 랩탑에서의 고전적 시뮬레이션을 통해 QNN를 훈련하고 평가한다.

실험 결과

연구 질문

• RQ1 가능한 수준의 큐비트 수로 양자 기계학습 모델이 실제적인 $16\times16$ 이미지를 분류할 수 있는가?
• RQ2 직접 상태 준비 방식과 비교했을 때 FRQI 기반 인코딩이 이미지 표현을 위해 필요한 큐비트 수를 얼마나 줄이는가?
• RQ3 이중 큐비트 압축 기법이 큐비트 수를 얼마나 줄이며, 분류 성능 유지를 얼마나 잘 유지하는가?
• RQ4 FRQI로 인코딩된 이미지에서 훈련된 QNN가 동일한 파rameter 수를 가진 고전적 신경망과 유사한 정확도를 달성할 수 있는가?
• RQ5 양자 이미지 분류에서 큐비트 수 감소와 모델 성능 간의 상호 상관관계는 어떠한가?

주요 결과

• 6큐비트 FRQI 인코딩을 사용할 경우, $8\times8$ MNIST 이미지에 대해 동일한 파rameter 수를 가진 고전적 신경망과 유사한 분류 정확도를 달성한다.
• $16\times16$ 이미지에 대해 동일한 파arameter 수를 가진 QNN는 이중 큐비트 압축 기법을 사용할 경우에만 고전적 모델과 유사한 성능을 보이며, 성능은 약간 저하된다.
• 6개의 큐비트로 픽셀 위치, 1개의 큐비트로 색상, 1개의 큐비트로 읽기 결과를 사용하여 랩탑에서 오직 8큐비트로 $16\times16$ 이미지를 성공적으로 분류함으로써 이전의 $4\times4$ 제한을 초월한 실현 가능성을 입증한다.
• QNN와 고전적 모델의 검증 정확도 곡선이 유사한 학습 동역학을 보이며, 양자 노이즈와 회로 깊이에도 불구하고 안정적인 학습이 이루어지고 있음을 시사한다.
• 압축률이 증가할수록 성능 저하가 발생하며, 더 이상의 큐비트 수 감소는 불안정한 학습을 유도하므로 극한의 압축을 위한 아키텍처 재설계가 필요하다는 것을 시사한다.
• 제안된 인코딩 및 QNN 프레임워크는 이전에는 고전적 시뮬레이션이나 가용한 양자 하드웨어로 처리하기 어려웠던 차원의 고전적 데이터셋에서의 양자 기계학습을 가능하게 한다.