[論文レビュー] Graph Cut Segmentation Methods Revisited with a Quantum Algorithm

Lisa Tse, Peter Mountney+2 more|arXiv (Cornell University)|Dec 7, 2018

Quantum Computing Algorithms and Architecture参考文献 31被引用数 7

ひとこと要約

本稿では、近い将来のノイズの多い量子ハードウェアで効率的に実行可能な、グラフカット問題（最大フロー最小カットおよび正規化カット）を量子近似最適化アルゴリズム（QAOA）にマッピングすることで、新規な量子画像セグメンテーション手法を提案している。1層のQAOAを用いることで、合成データおよび医用画像データにおいても有望なセグメンテーション結果を達成しており、実用的な量子コンピュータビジョン応用における実現可能性と頑健性を示している。

ABSTRACT

The design and performance of computer vision algorithms are greatly influenced by the hardware on which they are implemented. CPUs, multi-core CPUs, FPGAs and GPUs have inspired new algorithms and enabled existing ideas to be realized. This is notably the case with GPUs, which has significantly changed the landscape of computer vision research through deep learning. As the end of Moores law approaches, researchers and hardware manufacturers are exploring alternative hardware computing paradigms. Quantum computers are a very promising alternative and offer polynomial or even exponential speed-ups over conventional computing for some problems. This paper presents a novel approach to image segmentation that uses new quantum computing hardware. Segmentation is formulated as a graph cut problem that can be mapped to the quantum approximate optimization algorithm (QAOA). This algorithm can be implemented on current and near-term quantum computers. Encouraging results are presented on artificial and medical imaging data. This represents an important, practical step towards leveraging quantum computers for computer vision.

研究の動機と目的

• 古典的ハードウェアのスケーリングが鈍化する中で、量子コンピューティングをコンピュータビジョン、特に画像セグメンテーションに応用する可能性を検討すること。
• qubit数に制限がありノイズの多い量子ハードウェアにおいて、古典的画像セグメンテーションアルゴリズムをマッピングする課題に対処すること。
• 現在および近い将来の量子デバイスに適した、ノイズに強く、実用的な量子アルゴリズムを開発すること。
• QAOAを用いてグラフカット問題を解くことで、画像セグメンテーションにおける実用的量子優位性の可能性を示すこと。
• 将来の大規模量子ハードウェアに適応可能なスケーラブルでノイズに強いアプローチを提供すること。

提案手法

• 画素をノードとしてモデル化し、強度差やエッジ差を重み付きエッジとして扱うことで、画像セグメンテーションをグラフカット問題にマッピングする。
• 量子アニーリングやゲート型量子計算に適した二値二次最適化問題として、グラフカット問題を表現する。
• 変分最適化のためのパラメータ化された量子回路を用いて、最適化問題をQAOAで解く。
• 合成データにおいて、Adamと比較して収束性が向上する場合があるため、QAOAのパラメータ（角度）を最適化するためにベイズ最適化を採用する。
• ゲート数を最小限に抑えてノイズの影響を軽減するため、QAOAの1層（p=1）を適用し、小規模な画像で信頼性の高い結果を得る。
• 量子測定結果を前景および背景領域として解釈するための後処理を実施し、ラベルの曖昧さに対して手動で補正を加える。

実験結果

リサーチクエスチョン

• RQ1 最大フロー最小カットや正規化カットに基づく画像セグメンテーションは、QAOAのような近い将来の量子アルゴリズムに効果的にマッピング可能か？
• RQ2 qubit数が限られた小規模な画像において、QAOAは古典的手法と比較して競争力ある、あるいは改善されたセグメンテーション性能を示せるか？
• RQ3 最適化手法の選択（ベイズ最適化 vs. Adam）は、量子環境下での収束性およびセグメンテーション品質にどのように影響するか？
• RQ4 QAOAは、ノイズの多い中規模量子（NISQ）デバイスでノイズ蓄積を最小限に抑えるために、最小限の回路深さ（p=1）で信頼性のあるセグメンテーションを達成できるか？
• RQ5 量子アプローチは、古典的手法と比較して、ラベルの曖昧さ（例：前景／背景の混同）をどのように処理するか？

主な発見

• QAOAベースのセグメンテーション手法は、1層のQAOA（p=1）を用いることで、合成データおよび実医用画像データの両方で正確なセグメンテーションを達成した。
• ベイズ最適化は、合成画像のQAOAパラメータ最適化においてAdamを上回ったが、パrameter数の増加に伴いスケーリング効率が劣った。
• 最大フロー最小カットアプローチは、正規化カットよりも優れたセグメンテーション結果を示した。これは、2つの追加のキュービットとより安定した確率分布が関係していると考えられる。
• 正規化カットでは、出力確率分布に2つの明確なピークが観察され、それらが前景・背景ラベルが逆転した状態に対応しており、ラベルの曖昧さを示している。
• 正規化カットはNP困難であるが、p=1の場合、最適化対象のパラメータが2つに限定され、効率的な探索が可能になった。
• 結果から、ハードウェアがスケーリングされれば、量子アルゴリズムが将来的に古典的手法を上回るセグメンテーション品質を達成できる可能性がある。特に、NP困難な変種においてその可能性が高まる。