[论文解读] Cancer Detection Using Quantum Neural Networks: A Demonstration on a Quantum Computer

Nilima Mishra, Aradh Bisarya+4 more|arXiv (Cornell University)|Nov 1, 2019

Quantum Computing Algorithms and Architecture被引用 11

一句话总结

该论文提出了一种基于IBM Quantum Experience平台的10量子比特量子神经网络（QNN），用于乳腺癌检测。通过将患者生物数据编码为量子比特态，并利用梯度下降法优化参数，该QNN在600个样本的数据集上实现了平均2.1%的损失，展示了面向医疗诊断的可行量子机器学习。

ABSTRACT

Artificial intelligence and machine learning paves the way to achieve greater technical feats. In this endeavor to hone these techniques, quantum machine learning is budding to serve as an important tool. Using the techniques of deep learning and supervised learning in the quantum framework, we are able to propose a quantum neural network and showcase its implementation. We consider the application of cancer detection to demonstrate the working of our quantum neural network. Our focus is to train the network of ten qubits in a way so that it can learn the label of the given data set and optimize the circuit parameters to obtain the minimum error. Thus, through the use of many algorithms, we are able to give an idea of how a quantum neural network can function.

研究动机与目标

• 开发一种基于近期量子硬件的实用量子神经网络（QNN）用于医疗诊断。
• 在量子框架内应用监督学习技术，对癌性与良性肿瘤进行分类。
• 通过部分纠缠减少QNN中的参数复杂度，使复杂度从O(N²)降低至O(N)。
• 使用量子模拟器在真实世界生物医学数据（威斯康星州乳腺癌数据集）上验证QNN的性能。
• 展示在当前噪声中等规模量子（NISQ）设备上实现量子机器学习以进行早期癌症检测的可行性。

提出的方法

• 将10个生物数据特征（如半径、纹理）编码为10个量子比特上的初始Y-旋转，将最小值映射到|0⟩，最大值映射到|1⟩。
• 通过受控-X（CX）门实现部分纠缠的QNN架构，将参数数量从O(N²)减少至O(N)。
• 采用对数损失函数：loss = -(1−l)log(1−l) − l·log(l)，其中l为期望标签（良性为0，恶性为1）。
• 通过带自适应学习率的梯度下降法优化电路参数：p′ = p − r·∇(loss)/|∇(loss)|。
• 在完整的600个样本数据集和100个样本子集上训练网络，并测量迭代过程中的损失。
• 通过逐个参数计算梯度，利用量子线路评估实现参数更新。

实验结果

研究问题

• RQ1 在量子模拟器上，10量子比特的量子神经网络能否有效利用真实生物医学数据对乳腺癌进行分类？
• RQ2 部分纠缠如何在保持分类性能的同时减少QNN中的可训练参数数量？
• RQ3 在NISQ设备上使用基于梯度的优化方法训练的QNN在威斯康星州乳腺癌数据集上可实现的损失和准确率是多少？
• RQ4 输入数据中的异常如何影响量子机器学习模型的训练动态和最终损失？
• RQ5 在小规模医疗分类任务中，量子神经网络是否能在参数效率和收敛速度方面超越经典模型？

主要发现

• 在完整数据集上训练时，QNN在全部600个输入上实现了2.1%的平均损失，表明其具有良好的泛化能力。
• 6.67%的输入损失超过1%，表明有一小部分数据点特别难以分类。
• 在100个样本子集上训练时，平均损失上升至3.9%，其中6.67%的输入损失超过5%。
• 大多数高损失情况（10–20%）归因于数据不一致，而非模型失效，表明对噪声具有鲁棒性。
• 参数优化显示损失随迭代次数呈明显下降趋势，并在学习率手动降低处出现明显拐点。
• 采用部分纠缠使参数复杂度从O(N²)降低至O(N)，使模型在当前量子硬件上更具可行性。