[논문 리뷰] Medical image classification via quantum neural networks

Natansh Mathur, Jonas Landman외 5명|arXiv (Cornell University)|2021. 09. 04.

Retinal Imaging and Analysis참고 문헌 21인용 수 34

한 줄 요약

본 논문은 IBM 하드웨어와 시뮬레이터를 사용하여 PneumoniaMNIST와 RetinaMNIST에서 양자 보조 신경망 및 양자 직교 신경망을 활용한 의료 영상 분류를 위한 양자 신경망 접근법을 탐구한다.

ABSTRACT

Machine Learning provides powerful tools for a variety of applications, including disease diagnosis through medical image classification. In recent years, quantum machine learning techniques have been put forward as a way to potentially enhance performance in machine learning applications, both through quantum algorithms for linear algebra and quantum neural networks. In this work, we study two different quantum neural network techniques for medical image classification: first by employing quantum circuits in training of classical neural networks, and second, by designing and training quantum orthogonal neural networks. We benchmark our techniques on two different imaging modalities, retinal color fundus images and chest X-rays. The results show the promises of such techniques and the limitations of current quantum hardware.

연구 동기 및 목표

• 현재 하드웨어에서 양자 신경망이 의료 영상 분류에 도움을 줄 수 있는지 조사한다.
• 두 가지 QNN 패러다임을 평가한다: 고전 네트워크의 양자 보조 학습/추론과 양자 직교 신경망.
• 다양한 데이터 로더와 하드웨어 구성으로 두 개의 MedMNIST 데이터셋(PneumoniaMNIST 및 RetinaMNIST)에서 성능 벤치마크를 수행한다.
• 양자 접근법의 확장성, 강건성 및 하드웨어로 인한 한계와 고전 기반 모델 대비 비교를 평가한다.

제안 방법

• QNN 기법을 NISQ 하드웨어에 맞게 조정하여 고전 신경망의 학습과 추론을 양자 회로로 보조한다.
• Reconfigurable Beam Splitter (RBS) 회로를 사용한 단항 진폭 인코딩으로 데이터 로딩을 구현한다.
• 고전적 선형 대수 하위 루프를 대체하기 위해 양자 회로를 통해 내적 및 벡터 곱을 추정한다.
• 가중치 행렬이 직교인 양자 직교 신경망을 개발하고 학습하며, 양자 피라미드 회로 및 게이트 각도에 의한 경사 기반 학습(QPC)을 사용한다.
• PCA 기반 차원 축소를 통해 4개 또는 8개의 특징으로 하드웨어 실험을 IBM의 초전도 기계(5-, 7-, 16- 큐빗) 및 시뮬레이터에서 실행한다.

실험 결과

연구 질문

• RQ1 양자 보조 신경망이 표준 데이터셋에서 고전 신경망과 의료 영상 분류에서 일치하는 성능을 보일 수 있는가?
• RQ2 양자 직교 신경망이 하드웨어 인식 학습과 함께 유사하거나 우수한 성능을 제공하는가?
• RQ3 양자 데이터 로더와 회로 깊이가 근시의 양자 하드웨어에서 정확도와 강건성에 어떤 영향을 미치는가?
• RQ4 의료 영상 작업에서 QNN을 위한 현재 양자 하드웨어의 실용적 한계는 무엇인가?

주요 결과

• 양자 보조 신경망은 시뮬레이션 및 일부 하드웨어 실행에서 PneumoniaMNIST 및 RetinaMNIST에 대해 고전 네트워크와 비슷한 AUC와 정확도를 달성한다.
• 하드웨어 결과는 양자 방법이 여러 작업에서 고전 기반과 비슷한 정확도에 도달할 수 있음을 보이나, 하드웨어 노이즈로 인해 더 어려운 작업에서 성능 저하가 발생한다.
• 8차원 입력은 4차원 입력보다 종종 더 나은 지표를 제공하며, 시뮬레이션은 고전 성능과 일치하고 하드웨어는 노이즈로 인해 시간에 따라 분산을 보인다.
• 각도 기반 최적화(QPC)를 통해 학습된 직교 양자 신경망은 SVB로 학습된 대안보다 상당히 다른 모델을 생성할 수 있으며, 경우에 따라 테스트 정확도가 더 높다.
• 시뮬레이션은 직교 네트워크에 대한 양자학습이 RetinaMNIST에서 SVB 기반 학습보다 정확도에서 우수할 수 있음을 시사한다(예: 특정 설정에서 ACC 75.25% 대 58.25%).
• 단일화 인코딩 및 하드웨어 의존형 회로 최적화는 현재 IBM 기기에서 양자 계산의 신뢰성과 정확도를 향상시킨다.