[논문 리뷰] Reflection Equivariant Quantum Neural Networks for Enhanced Image Classification

Maxwell T. West, M. E. Sevior외 1명|arXiv (Cornell University)|2022. 12. 01.

Quantum Computing Algorithms and Architecture참고 문헌 45인용 수 4

한 줄 요약

이 논문은 이미지 데이터셋에 내재된 반사 대칭성을 활용하여 훈련 가능성과 일반화 성능을 햖थ한 반사 동치 양자 신경망(REQNN)을 제안한다. 대칭 회로 설계와 기저 변환을 통해 동치성 조건을 강제함으로써, REQNN은 MNIST, CIFAR-10, CelebA 데이터셋에서 일반적인 양자 회로보다 훨씬 높은 테스트 정확도와 느린 기울기 소실을 달성한다.

ABSTRACT

Machine learning is among the most widely anticipated use cases for near-term quantum computers, however there remain significant theoretical and implementation challenges impeding its scale up. In particular, there is an emerging body of work which suggests that generic, data agnostic quantum machine learning (QML) architectures may suffer from severe trainability issues, with the gradient of typical variational parameters vanishing exponentially in the number of qubits. Additionally, the high expressibility of QML models can lead to overfitting on training data and poor generalisation performance. A promising strategy to combat both of these difficulties is to construct models which explicitly respect the symmetries inherent in their data, so-called geometric quantum machine learning (GQML). In this work, we utilise the techniques of GQML for the task of image classification, building new QML models which are equivariant with respect to reflections of the images. We find that these networks are capable of consistently and significantly outperforming generic ansatze on complicated real-world image datasets, bringing high-resolution image classification via quantum computers closer to reality. Our work highlights a potential pathway for the future development and implementation of powerful QML models which directly exploit the symmetries of data.

연구 동기 및 목표

• 이미지 분류를 위한 양자 기계학습(QML) 모델에서의 평평한 골짜기와 과적합 문제를 해결하기 위해.
• 모델 아키텍처에 물리적 대칭성을 통합하여 변분 양자 회로의 일반화 및 훈련 가능성 향상하기 위해.
• 실제 이미지 데이터셋에서 대칭 인식 QML 모델이 일반적인, 데이터에 무관한 아키텍처보다 뛰어난 성능을 보임을 입증하기 위해.
• 양자 회로에서 반사 동치성이 성능 향상과 기울기 흐름에 실질적인 기여를 하는지 조사하기 위해.
• QML에서 대칭성 활용이 근접한 양자 우월성 달성에 실현 가능한 길임을 검증하기 위해.

제안 방법

• 암호화 후 기저 변경을 통해 반사 동치 인코딩 회로를 갖춘 변분 양자 분류기 설계하기.
• 반사 대칭 연산(X^{⊗ n})과 가환하는 게이트를 사용하여 변분 앤사츠 구성하기.
• 연속된 큐비트 측정 결과의 곱을 사용하여 출력 예측에서 동치성 유지하기.
• MNIST에 대해 10~12 큐비트, CIFAR-10/CelebA에 대해 12 큐비트로 모델 구현하며, 이미지 픽셀을 진폭 인코딩 사용하기.
• 대칭 제약 없이 깊이와 파라미터 수가 동일한 일반적인 변분 양자 분류기와 성능 비교하기.
• 3000개의 랜덤 초기화를 통해 기울기 분산 평가하여 훈련 가능성 평가 및 일반 모델과 비교하기.

실험 결과

연구 질문

• RQ1 반사 동치성은 복잡한 이미지 데이터셋에서 양자 신경망의 분류 정확도 향상에 기여하는가?
• RQ2 양자 회로에 반사 대칭성을 강제하면 기울기 소실 속도가 느려지고 훈련 가능성 향상이 이루어지는가?
• RQ3 반사 동치 모델의 성능 향상은 대칭성 때문인가, 단지 아키텍처 차이의 결과인가?
• RQ4 대칭 인식 설계는 근접한 양자 기계학습에서 평평한 골짜기 문제를 어느 정도 완화하는가?
• RQ5 기하학적 양자 기계학습 기법은 NISQ 시대 하드웨어에서 고해상도 이미지 분류를 가능하게 하는가?

주요 결과

• 반사 동치 모델은 MNIST, CIFAR-10, CelebA 데이터셋에서 일반 모델보다 유의미하게 높은 테스트 정확도를 기록했으며, 모든 벤치마크에서 일관된 향상이 관찰되었다.
• 10~12 큐비트에서 반사 동치 모델의 기울기 분산은 일반 모델보다 수 개의 지수 차수 높아져, 더 나은 훈련 가능성 잠재력을 시사한다.
• 일반 인코더와 동치 변분 본딩을 조합한 하이브리드 모델은 전체 반사 동치 모델보다 성능이 열 劣했으며, 성능 향상의 핵심이 대칭성 존중임을 확인한다.
• 평평한 골짜기를 증명적으로 피할 수는 없지만, REQNN는 일반 모델 대비 기울기 소실 속도가 극적으로 감소해 더 큰 회로에 대한 실현 가능성을 시사한다.
• 결과적으로 대칭 인식 QML 모델이 더 표현력 있는 일반 모델보다 뛰어난 성능을 내며, 기하학적 양자 기계학습의 가치를 입증한다.
• 이 연구는 대칭성 활용이 NISQ 시대에 양자 이미지 분류 기술 발전을 위한 실용적이고 효과적인 전략임을 경험적으로 입증한다.