[논문 리뷰] Quantum artificial vision for defect detection in manufacturing

Daniel Guijo, Victor Onofre외 8명|arXiv (Cornell University)|2022. 08. 09.

Integrated Circuits and Semiconductor Failure Analysis인용 수 4

한 줄 요약

이 논문은 게이트 기반 양자 하드웨어에서의 양자 서포트 벡터 머신(QSVM)과 양자 앤날러에서의 QBoost를 제안하고, GDXray+ 데이터셋을 사용하여 자동차 제조 공정에서의 결함 검출에 대해 벤치마킹한다. 두 양자 방법 모두 고전적 방법보다 정밀도에서 뛰어난 성능을 보이며, QBoost는 현재의 NISQ 장치에서 광범위한 사전 처리 없이도 산업적으로 유의미한 문제 크기를 구현할 수 있음을 입증한다.

ABSTRACT

In this paper we consider several algorithms for quantum computer vision using Noisy Intermediate-Scale Quantum (NISQ) devices, and benchmark them for a real problem against their classical counterparts. Specifically, we consider two approaches: a quantum Support Vector Machine (QSVM) on a universal gate-based quantum computer, and QBoost on a quantum annealer. The quantum vision systems are benchmarked for an unbalanced dataset of images where the aim is to detect defects in manufactured car pieces. We see that the quantum algorithms outperform their classical counterparts in several ways, with QBoost allowing for larger problems to be analyzed with present-day quantum annealers. Data preprocessing, including dimensionality reduction and contrast enhancement, is also discussed, as well as hyperparameter tuning in QBoost. To the best of our knowledge, this is the first implementation of quantum computer vision systems for a problem of industrial relevance in a manufacturing production line.

연구 동기 및 목표

• 양자 기계 학습이 제조 분야의 산업적 결함 검출에 적용 가능한지 평가하는 것.
• 실제 세계의 비균형적인 이미지 데이터에서 고전적 방법과 비교해 양자 알고리즘(QSVM 및 QBoost)을 평가하는 것.
• 차원 축소 및 하이퍼파rameter 튜닝과 같은 현실적인 제약 조건 하에서 양자 시각 시스템의 성능을 평가하는 것.
• 현재의 NISQ 하드웨어를 사용해 양자로 훈련된 모델이 산업 현장에서 실제로 구현 가능한지 탐색하는 것.
• 오늘날의 노이즈가 많은 양자 장치에서 정밀도 및 추론 효율성 향상의 양자 우위가 실제로 달성될 수 있는지 확인하는 것.

제안 방법

• 결함이 있는지 없는지의 이진 분류를 위해, 보편적인 게이트 기반 양자 컴퓨터에서 양자 서포트 벡터 머신(QSVM)을 사용하여 자동차 부품의 이미지 분류를 수행하였다.
• D-Wave 양자 앤날러에서 QBoost, 즉 양자 강화된 부스팅 알고리즘을 적용하여 약한 추정기와 양자 앤날링을 활용한 최적화를 통해 분류기를 훈련시켰다.
• 신호 대 잡음비를 향상시키고 계산 부담을 줄이기 위해 차원 축소(PCA)와 대trast 강화를 통해 이미지를 사전 처리하였다.
• 성능과 추론 속도의 균형을 맞추기 위해, 정규화 강도와 약한 분류기의 초기 수(결정 트리 분류기)와 같은 QBoost의 하이퍼파rameter를 튜닝하였다.
• 동일한 데이터셋과 사전 처리 파이프라인에서 직접 비교할 수 있도록, 고전적 기반 모델(SVM, AdaBoost)을 사용하였다.
• 정밀도, 재현율, F1 점수, 이미지당 추론 시간과 같은 표준 지표를 사용해 모델을 평가하였다.

실험 결과

연구 질문

• RQ1 양자 기계 학습 알고리즘이 제조 분야의 결함 검출에서 고전적 모델보다 높은 분류 정밀도를 달성할 수 있는가?
• RQ2 QSVM 및 QBoost와 같은 양자 알고리즘이 비균형적이며 실제 세계의 산업적 이미지 데이터에서 고전적 SVM 및 AdaBoost보다 얼마나 뛰어나게 성능을 내는가?
• RQ3 차원 축소 및 대trast 강화는 NISQ 장치에서의 양자 시각 시스템 성능에 어떤 영향을 미치는가?
• RQ4 QBoost로 훈련된 모델은 양자 훈련 후 고전적 하드웨어에서 효율적으로 배포될 수 있는가? 이는 실질적인 산업적 활용을 가능하게 하는가?
• RQ5 정규화 및 약한 분류기 수와 같은 하이퍼파rameter의 함수로서 QBoost의 추론 시간과 성능 간의 상호 교환 관계는 어떠한가?

주요 결과

• D-Wave 양자 앤날러에서 실행된 QBoost 알고리즘은 고전적 AdaBoost보다 높은 정밀도를 기록하였으며, 초기 약한 분류기 수 50개와 정규화 파rameter 0을 사용할 경우 최고의 F1 점수 0.94를 달성하였다.
• 심한 차원 축소(PCA)에도 불구하고 QBoost는 높은 성능을 유지하여 데이터 압축에 대한 강건성을 입증하였다.
• QBoost의 추론 시간은 하이퍼파rameter 변화에 관계없이 안정적이었으며, 평균 이미지당 2.94 밀리초 수준이었고, 분류기 수가 증가함에 따라 유의미한 증가가 없었다.
• 양자 하드웨어에서 훈련된 QBoost 모델은 고전적 시스템에서도 배포 및 실행이 가능하여, 전체 양자 인프라가 필요하지 않은 실질적인 산업적 구현을 가능하게 하였다.
• QSVM는 뛰어난 성능를 보였지만, 훈련 및 추론 모두 전적으로 양자 실행이 필요하여 QBoost에 비해 현재의 구현 가능성 측면에서 제한이 있었다.
• 저자들의 지식으로는, 본 연구는 실제 제조 데이터를 기반으로 한 산업적으로 유의미한 결함 검출 작업에 대해 양자 컴퓨터 시각의 첫 번째 구현으로 평가된다.