[論文レビュー] Image Compression and Classification Using Qubits and Quantum Deep Learning

Ali Mohsen, Mohit Tiwari|arXiv (Cornell University)|Oct 8, 2021

Quantum Computing Algorithms and Architecture参考文献 34被引用数 7

ひとこと要約

本論文は、柔軟な量子画像表現（FRQI）を用いた新しい量子画像符号化法を提案し、古典的画像をより少ないキュービットに圧縮することで、標準のラップトップで実用的サイズの $16\times16$ MNIST ディジットを量子ニューラルネットワーク（QNN）が分類可能にする。この手法は、同じパラメータ数を持つ古典的ニューラルネットワークと同等の分類精度を達成し、古典的には処理が困難なサイズの画像に対してスケーラブルな量子機械学習を実証する。

ABSTRACT

Recent work suggests that quantum machine learning techniques can be used for classical image classification by encoding the images in quantum states and using a quantum neural network for inference. However, such work has been restricted to very small input images, at most 4 x 4, that are unrealistic and cannot even be accurately labeled by humans. The primary difficulties in using larger input images is that hitherto-proposed encoding schemes necessitate more qubits than are physically realizable. We propose a framework to classify larger, realistic images using quantum systems. Our approach relies on a novel encoding mechanism that embeds images in quantum states while necessitating fewer qubits than prior work. Our framework is able to classify images that are larger than previously possible, up to 16 x 16 for the MNIST dataset on a personal laptop, and obtains accuracy comparable to classical neural networks with the same number of learnable parameters. We also propose a technique for further reducing the number of qubits needed to represent images that may result in an easier physical implementation at the expense of final performance. Our work enables quantum machine learning and classification on classical datasets of dimensions that were previously intractable by physically realizable quantum computers or classical simulation

研究の動機と目的

• 古典的画像分類のための量子機械学習におけるキュービットスケーラビリティの障壁を克服すること。
• 物理的に現実的なキュービット数で、より大きな画像（最大 $16\times16$）を量子システムで分類可能にする。
• FRQI符号化された高密度にエンタングルされた画像に特化したQNNアーキテクチャを開発し、古典モデルと同等の性能を達成すること。
• 新規の2キュービット圧縮技術を用いて、キュービット削減と分類精度のトレードオフを調査すること。

提案手法

• 古典的画像を指数的に少ないキュービット数で表現できるFRQI符号化方式を用い、量子状態にマッピングする。
• FRQI符号化画像が持つエンタングルメント構造を処理できるように設計された、CRADLおよびCRAML層を備えたカスタムQNNアーキテクチャを採用する。
• 2キュービット圧縮技術を適用し、キュービット要件をさらに削減するが、性能劣化を伴う。
• 2キュービットゲートのみを用いて全パイプラインを実装し、Cirq や TensorFlow Quantum などの既存の量子機械学習フレームワークとの互換性を確保する。
• パラメータ化された量子回路を用いた標準的なバックプロパゲーションによりQNNを学習し、MNISTにおける分類精度を最適化する。
• 個人用ラップトップでの古典的シミュレーションによりQNNを学習・評価し、大規模な量子ハードウェアを必要としない実現可能性を示す。

実験結果

リサーチクエスチョン

• RQ1 量子機械学習モデルは、現実的な数のキュービットで $16\times16$ 画像を分類可能か？
• RQ2 直接状態準備と比較して、FRQIベースの符号化は画像表現のためのキュービット要件をどの程度削減するか？
• RQ3 2キュービット圧縮技術は、分類性能を維持しつつ、どの程度キュービット数を削減できるか？
• RQ4 FRQI符号化画像で学習したQNNは、同じパラメータ数の古典的ニューラルネットワークと同等の精度を達成できるか？
• RQ5 量子画像分類において、キュービット削減とモデル性能のトレードオフはどのようなものか？

主な発見

• 6キュービットのFRQI符号化を用いる場合、$8\times8$ MNIST画像の分類精度が、同じパラメータ数の古典的ニューラルネットワークと同等になる。
• $16\times16$ 画像の場合、同じパラメータ数のQNNは、2キュービット圧縮技術を用いる場合にのみ古典モデルと同等の性能を示すが、若干の性能劣化を伴う。
• 6キュービット（画素位置用）＋1キュービット（カラー用）＋1キュービット（読み出し用）の合計8キュービットで、$16\times16$ 画像を個人用ラップトップ上で正しく分類でき、従来の $4\times4$ 限界を超えた実現可能性を示した。
• QNNと古典モデルの検証精度曲線は類似した学習ダイナミクスを示しており、量子ノイズや回路の深さがあっても安定した学習が可能であることが示された。
• 圧縮度が増すと性能が劣化し、さらにキュービットを削減すると学習が不安定になるため、極端な圧縮にはアーキテクチャの再設計が必要であると示唆された。
• 提案された符号化方式とQNNフレームワークにより、従来では古典的シミュレーションや利用可能な量子ハードウェアでは処理が困難だったサイズの古典データセットにおける量子機械学習が可能になった。