[論文レビュー] A Tutorial on Quantum Convolutional Neural Networks (QCNN)

Seunghyeok Oh, Jaeho Choi+1 more|arXiv (Cornell University)|Sep 20, 2020

Quantum Computing Algorithms and Architecture参考文献 14被引用数 15

ひとこと要約

この論文では、量子コンピューティングに適応した古典的CNNアーキテクチャを採用する量子畳み込みニューラルネットワーク（QCNN）を提示している。畳み込み層およびプーリング層に量子回路を用い、マルチスケールエンタングルメント縮約アンザッツ（MERA）を用いてO(log n)の回路深さを達成している。TensorFlow Quantumを用いたMNIST上のシミュレーションでは、QCNNはCNNと同等の性能を示し、小規模な量子ハードウェアでも効率的な学習が可能であることが示された。

ABSTRACT

Convolutional Neural Network (CNN) is a popular model in computer vision and has the advantage of making good use of the correlation information of data. However, CNN is challenging to learn efficiently if the given dimension of data or model becomes too large. Quantum Convolutional Neural Network (QCNN) provides a new solution to a problem to solve with CNN using a quantum computing environment, or a direction to improve the performance of an existing learning model. The first study to be introduced proposes a model to effectively solve the classification problem in quantum physics and chemistry by applying the structure of CNN to the quantum computing environment. The research also proposes the model that can be calculated with O(log(n)) depth using Multi-scale Entanglement Renormalization Ansatz (MERA). The second study introduces a method to improve the model's performance by adding a layer using quantum computing to the CNN learning model used in the existing computer vision. This model can also be used in small quantum computers, and a hybrid learning model can be designed by adding a quantum convolution layer to the CNN model or replacing it with a convolution layer. This paper also verifies whether the QCNN model is capable of efficient learning compared to CNN through training using the MNIST dataset through the TensorFlow Quantum platform.

研究の動機と目的

• 多数体量子系におけるデータの指数的増加に対処するため、量子コンピューティングを活用して効率的な学習を実現すること。
• 量子畳み込みおよびプーリング層を用いて、データの空間的相関を維持するQCNNモデルを設計すること。
• MNISTデータセットを用いて、小規模な量子ハードウェア上でのQCNNの実現可能性と性能を実証すること。
• 学習効率および精度を評価するため、QCNNを古典的全結合型およびCNNモデルと比較すること。
• ハイブリッド量子古典アーキテクチャを通じて、画像分類における量子優位性を探索すること。

提案手法

• 量子ビットゲートとエンタングルメントを用いて、古典的CNN構造の畳み込みおよびプーリング層を量子回路に適応させる。
• システムサイズをO(log n)の深さで効率的に縮小するため、逆方向にマルチスケールエンタングルメント縮約アンザッツ（MERA）を適用する。
• トレーニング可能な回転ゲート（RX, RZ）を備えたパラメータ化された量子回路を用い、特徴学習と勾配ベース最適化を実現する。
• 古典的ピクセルデータを量子状態にマップするために、量子ビットへの回転ゲートによる量子状態符号化を適用する。
• 測定に基づくデコードを用いて、最終量子状態から古典的ラベルを抽出する。
• 量子畳み込み層を古典的全結合層と接続するハイブリッドモデルを実装し、分類を実現する。

実験結果

リサーチクエスチョン

• RQ1 QCNNは、量子並列性を活用することで、回路深さを削減しながらも、古典的CNNと同等の性能を維持できるか？
• RQ2 近位量子ハードウェアに実装された場合、QCNNはMNISTのような画像分類タスクでどの程度の性能を示すか？
• RQ3 量子畳み込み層を組み込むことで、全結合型量子モデルに比べて学習効率がどの程度向上するか？
• RQ4 MERAを用いることで、QCNNはO(log n)の回路深さを達成でき、スケーラブルな量子学習を可能にするか？
• RQ5 量子符号化および測定戦略の選択が、QCNNの分類精度にどのような影響を与えるか？

主な発見

• QCNNは、ダウンサンプリングされた10×10 MNISTデータセットにおいて、古典的CNNと同等の分類性能を達成した。
• QCNNは、完全に全結合型の量子モデルよりも顕著に優れた性能を示し、畳み込み構造の利点を実証した。
• 量子畳み込み層により、MERAを用いてO(log n)の回路深さで効率的な特徴抽出が可能となり、リソース要件が削減された。
• TensorFlow Quantumを用いたシミュレーションにより、小規模な量子プロセッサ上でハイブリッド量子古典学習がQCNNによって実現可能であることが確認された。
• エポックを跨いで一貫した学習性能を示し、トレーニング可能な量子ゲートによる安定した最適化が確認された。
• 勾配ベース最適化を用いたパラメータ化された量子回路の使用により、量子シミュレータ上での有効なモデルトレーニングが可能となった。