[논문 리뷰] Quantum Optical Convolutional Neural Network: A Novel Image Recognition Framework for Quantum Computing

Rishab Parthasarathy, Rohan Tan Bhowmik|arXiv (Cornell University)|2020. 12. 19.

Quantum Computing Algorithms and Architecture참고 문헌 28인용 수 46

한 줄 요약

이 논문은 이미지 인식을 위한 양자 광학 컨볼루션 신경망(QOCNN)을 제안한다. QOCNN는 양자 컨볼루션 및 풀링 레이어를 광학 신경망과 융합한 새로운 하이브리드 양자-광학 프레임워크이다. MNIST 데이터셋에서 평가한 결과, QOCNN는 고전적 및 광학 모델과 유사한 정확도를 달성했으며, 향후 양자 하드웨어에서 다수의 주기 수준의 이론적 계산 효율성 향상을 보였다.

ABSTRACT

Large machine learning models based on Convolutional Neural Networks (CNNs) with rapidly increasing number of parameters, trained with massive amounts of data, are being deployed in a wide array of computer vision tasks from self-driving cars to medical imaging. The insatiable demand for computing resources required to train these models is fast outpacing the advancement of classical computing hardware, and new frameworks including Optical Neural Networks (ONNs) and quantum computing are being explored as future alternatives. In this work, we report a novel quantum computing based deep learning model, the Quantum Optical Convolutional Neural Network (QOCNN), to alleviate the computational bottleneck in future computer vision applications. Using the popular MNIST dataset, we have benchmarked this new architecture against a traditional CNN based on the seminal LeNet model. We have also compared the performance with previously reported ONNs, namely the GridNet and ComplexNet, as well as a Quantum Optical Neural Network (QONN) that we built by combining the ComplexNet with quantum based sinusoidal nonlinearities. In essence, our work extends the prior research on QONN by adding quantum convolution and pooling layers preceding it. We have evaluated all the models by determining their accuracies, confusion matrices, Receiver Operating Characteristic (ROC) curves, and Matthews Correlation Coefficients. The performance of the models were similar overall, and the ROC curves indicated that the new QOCNN model is robust. Finally, we estimated the gains in computational efficiencies from executing this novel framework on a quantum computer. We conclude that switching to a quantum computing based approach to deep learning may result in comparable accuracies to classical models, while achieving unprecedented boosts in computational performances and drastic reduction in power consumption.

연구 동기 및 목표

• 컴퓨터 시각 분야에서 대규모 딥 러닝 모델 학습에 발생하는 증가하는 계산 병목 현상을 해결하기 위해.
• 더 높은 효율성을 위해 양자 컴퓨팅과 광학 신경망을 융합한 새로운 하이브리드 프레임워크를 탐색하기 위해.
• 양자 컨볼루션 및 풀링 레이어를 광학 비선형성과 융합한 새로운 아키텍처인 QOCNN를 설계하고 벤치마킹하기 위해.
• MNIST 데이터셋에서 고전적, 광학적, 양자 기반 기준 모델과의 비교를 통해 QOCNN의 강인성과 성능을 평가하기 위해.
• 미래의 양자 하드웨어에서 QOCNN를 실행할 경우의 이론적 계산 효율성 향상을 추정하기 위해.

제안 방법

• 이미지 특징 추출을 위해 양자 컨볼루션 레이어와 광학 신경망 구성요소를 융합한 하이브리드 QOCNN 프레임워크를 제안한다.
• 각 28×28 이미지를 단일 광자 포크 상태를 나타내는 392개의 복소수로 표현하는 방식으로 변환된 수정된 MNIST 데이터셋을 사용한다.
• 큐비트 기반 행렬 곱셈과 유니터리 변환을 사용하여 양자 회로를 통해 컨볼루션 및 풀링 연산을 구현한다.
• ComplexNet 및 QONN 아키텍처에서 영감을 얻어, 광학 네트워크에 양자 기반 사인 비선형성(sin(x) 등)을 도입한다.
• LeNet(고전적 CNN), GridNet, ComplexNet 및 sin(x) 비선형성을 가진 자체 구현 QONN와의 성능 비교를 위해 QOCNN 모델을 고전 하드웨어에서 시뮬레이션한다.
• 정확도, 혼동 행렬, ROC 곡선, Matthews 상관계수(MCC)를 사용하여 모델을 평가하며, 강인성과 일반화 성능을 분석한다.

실험 결과

연구 질문

• RQ1 양자-광학 컨볼루션 신경망은 MNIST에서 고전적 및 광학 딥 러닝 모델과 유사한 이미지 인식 정확도를 달성할 수 있는가?
• RQ2 양자 컨볼루션 및 풀링 레이어의 통합은 순수 광학적 또는 고전적 모델 대비 모델 성능과 강인성에 어떤 영향을 미치는가?
• RQ3 미래의 양자 하드웨어에서 QOCNN를 실행할 경우, 고전적 프레임워크 대비 어떤 이론적 계산 효율성 향상이 달성될 수 있는가?
• RQ4 ROC 곡선과 혼동 행렬을 통해 측정했을 때, 제안된 QOCNN 모델의 강인성은 어떻게 평가되는가?
• RQ5 QOCNN 프레임워크 내에서의 양자 기반 비선형성과 행렬 연산은 메모리 및 계산 복잡도를 얼마나 줄이는가?

주요 결과

• QOCNN 모델은 MNIST 테스트 세트에서 97.8%의 정확도를 달성했으며, 고전적 LeNet(97.6%) 및 기타 기준 모델과 유사한 성능을 보였다.
• ROC 곡선 분석 결과, QOCNN는 모든 숫자 클래스에서 높은 강인성을 유지했으며, 곡선 아래 면적(AUC) 값이 항상 0.95 이상이었다.
• 모델는 우수한 일반화 성능을 보였으며, 혼동 행렬에서 대각선 우세성이 높고 비대각선 오분류가 낮았다.
• 이론적 분석 결과, 10층 네트워크, 배치 크기 200, 입력 크기 10,000일 경우 QOCNN는 고전적 모델 대비 전방 및 역방향 전파에서 최대 200배의 효율성 향상을 달성할 수 있었다.
• 양자 시스템에서 메모리 사용은 O(L(log n + log b))로 스케일링되며, 고전적 모델의 O(n²L)에서 크게 감소함을 나타내어 매개변수 저장소의 극적 감소를 시사했다.
• 이 프레임워크는 향후 고장내성 NISQ 시대의 양자 하드웨어에서 실행될 경우, 행렬 곱셈의 주요 속도 향상과 전력 소비 감소를 위한 강력한 이론적 잠재력을 보였다.