[논문 리뷰] Variational Quanvolutional Neural Networks with enhanced image encoding

Denny Mattern, Darya Martyniuk외 3명|arXiv (Cornell University)|2021. 06. 14.

Quantum Computing Algorithms and Architecture참고 문헌 33인용 수 12

한 줄 요약

이 논문은 노이지 중규모 양자(NISQ) 장치에서 이미지 분류 성능을 향상시키기 위해 향상된 이미지 인코딩을 갖춘 변분 양자 컨volution 신경망(QNN)을 제안한다. 가변적인 양자 회로를 FRQI, NEQR, Threshold 인코딩과 같은 세 가지 양자 이미지 인코딩 방법과 통합함으로써, FRQI 인코딩과 작은 필터 크기, 가변적인 회로 조합이 유사한 제약 조건 하에서 다른 인코딩 방식과 비가역적인 모델보다 높은 정확도를 달성함을 입증한다.

ABSTRACT

Image classification is an important task in various machine learning applications. In recent years, a number of classification methods based on quantum machine learning and different quantum image encoding techniques have been proposed. In this paper, we study the effect of three different quantum image encoding approaches on the performance of a convolution-inspired hybrid quantum-classical image classification algorithm called quanvolutional neural network (QNN). We furthermore examine the effect of variational - i.e. trainable - quantum circuits on the classification results. Our experiments indicate that some image encodings are better suited for variational circuits. However, our experiments show as well that there is not one best image encoding, but that the choice of the encoding depends on the specific constraints of the application.

연구 동기 및 목표

• 다양한 양자 이미지 인코딩 기법이 변분 양자 컨볼루션 신경망(QNN)의 성능에 미치는 영향을 조사하는 것.
• 하이브리드 양자-클래식 이미지 분류 프레임워크에서 가변(변분) 양자 회로와 고정 회로의 영향을 평가하는 것.
• NISQ 장치에서 분류 정확도 향상을 위한 최적의 인코딩 방법과 회로 아키텍처 조합을 규명하는 것.
• 현재의 양자 하드웨어 자원 제약 조건 하에서 인코딩 복잡도, 회로 깊이, 모델 성능 간의 상충 관계를 평가하는 것.

제안 방법

• 컨volutional 신경망(CNN)을 영감으로 삼은 하이브리드 양자-클래식 아키텍처를 제안하며, 이를 이미지 분류를 위한 양자 컨볼루션 신경망(QNN)으로 변형한다.
• 세 가지 양자 이미지 인코딩 방법을 사용한다: FRQI(유연한 양자 이미지 표현), NEQR(새로운 얽힘 양자 표현), Threshold 인코딩으로, 고전적 이미지를 양자 상태로 매핑한다.
• 가변적인 단일 및 이중 큐비트 게이트를 갖춘 변분 양자 회로(VQC)를 도입하여, 고전적 역전파를 통해 최적화한다.
• 고정된 아키텍처를 사용하며, $2\times2$ 및 $4\times4$ 컨볼루션 필터를 적용하여 실험 간의 영향을 인코딩과 가변성에만 국한시킨다.
• 학습 및 추론을 위해 양자 시뮬레이터를 사용하며, 모델은 50 에포크 동안 학습하고 MNIST의 일부(10,000개 학습, 500개 검증, 1,000개 테스트 이미지)를 평가한다.
• 성능 지표(정확도)를 10개의 랜덤 시드에 대해 평균 내어 마지막 20 에포크 동안의 평균 및 최대값을 보고하여 안정성과 최고 성능를 평가한다.

실험 결과

연구 질문

• RQ1 양자 이미지 인코딩(FRQI, NEQR, Threshold)의 선택이 변분 양자 컨볼루션 신경망의 분류 정확도에 어떤 영향을 미치는가?
• RQ2 양자 회로를 가변적으로 만들었을 때 고정된 회로와 비교해 성능에 어떤 영향을 미치는가?
• RQ3 FRQI 인코딩과 작은 필터 크기($2\times2$)의 조합이 더 큰 필터나 다른 인코딩 방식보다 뛰어난 성능을 낼 수 있는가?
• RQ4 회로 깊이와 자원 요구량은 필터 크기를 확장할 경우 모델 정확도에 어떤 영향을 미치는가?
• RQ5 특정 이미지 인코딩 전략과 결합했을 때, 가변적인 양자 회로가 분류 성능을 크게 향상시킬 수 있는가?

주요 결과

• FRQI 인코딩과 $2\times2$ 필터, 가변적인 양자 회로 조합이 가장 높은 테스트 정확도 0.854를 기록했으며, 가변성 없이 구현된 버전(0.806)과 다른 인코딩 방식보다 뚜렷이 뛰어났다.
• $2\times2$ 필터 조건에서 FRQI 가변 모델은 최대 테스트 정확도 0.884에 도달하여 최적 조건에서 뛰어난 성능을 보였다.
• 놀랍게도 필터 크기를 $4\times4$로 늘리자 FRQI 인코딩의 정확도가 뚜렷이 감소했으며, 테스트 정확도가 0.854에서 0.715로 떨어져 회로 깊이나 얽힘 문제를 암시했다.
• Threshold 인코딩은 $2\times2$ 필터에서 가변적인 경우 테스트 정확도 0.825를 기록했으며, 가변성 없는 설정에서 NEQR과 FRQI를 모두 앞서는 것으로 나타나 비가변 설정에서의 뛰어난 내구성을 보였다.
• NEQR 인코딩은 안정적이지만 중간 정도의 성능를 보였으며, $4\times4$ 가변 모델에서 최대 테스트 정확도 0.846에 도달했지만 최상의 시나리오에서 FRQI를 능가하지 못했다.
• 이 연구에서는 유일한 최적 인코딩이 존재하지 않았으며, 성능는 인코딩 방법, 필터 크기, 가변성 간의 상호작용에 따라 달라지며, FRQI + 작은 필터 + 가변 회로 조합이 가장 뛰어난 성능를 보였다.