[论文解读] Learning to Utilize Correlated Auxiliary Classical or Quantum Noise.

Aida Ahmadzadegan, Petar Simidzija+2 more|arXiv (Cornell University)|Jun 8, 2020

Quantum Computing Algorithms and Architecture参考文献 25被引用 8

一句话总结

本文表明，神经网络能够学习利用输入噪声与辅助噪声之间的相关性，在噪声图像分类任务中恢复性能。结果表明，由于表示效率更高，量子机器在处理复杂噪声相关性方面可能优于经典机器。

ABSTRACT

This paper has two messages. First, we demonstrate that neural networks can learn to exploit correlations between noisy data and suitable auxiliary noise. In effect, the network learns to use the correlated auxiliary noise as an approximate key to decipher its noisy input data. Second, we show that the scaling behavior with increasing noise is such that future quantum machines should possess an advantage. For a concrete example, we reduce the image classification performance of convolutional neural networks (CNNs) by adding noise of different amounts and quality to the input images. We then demonstrate that the CNNs are able to partly recover their performance if, along with each noisy image, they are given auxiliary noise that is correlated with the image noise. We analyze the scaling of a CNN ability to learn and utilize these noise correlations as the level, dimensionality, or complexity of the noise is increased. We thereby find numerical and theoretical indications that quantum machines, due to their efficiency in representing complex correlations, could possess a significant advantage over classical machines.

研究动机与目标

• 研究神经网络是否能够学会利用相关联的辅助噪声作为关键手段，从噪声输入数据中恢复性能。
• 分析噪声水平、维度和复杂度如何影响神经网络学习和利用噪声相关性的能力。
• 探索在表示和处理复杂噪声相关性方面，量子系统可能具备的优势。

提出的方法

• 在卷积神经网络（CNN）的输入图像中添加不同水平和质量的受控噪声，以降低性能。
• 为每张噪声图像提供一个与输入图像噪声相关的辅助噪声信号。
• 训练CNN利用噪声图像和辅助噪声共同提高分类准确率。
• 系统性地改变噪声水平、维度和复杂度，以研究其缩放行为。
• 分析网络在不同噪声特性下的恢复性能。
• 利用理论和数值证据，表明量子系统在表示复杂相关性方面可能具有优势。

实验结果

研究问题

• RQ1 神经网络能否有效学会利用相关联的辅助噪声，从受污染输入中恢复性能？
• RQ2 随着噪声水平、维度和复杂度的增加，性能恢复如何变化？
• RQ3 噪声相关性的质量与网络从噪声中恢复能力之间存在何种关系？
• RQ4 在存在相关联辅助噪声的情况下，是否能在噪声环境下的图像分类任务中实现显著的性能提升？
• RQ5 量子机器在处理此类相关噪声时，是否可能相对于经典系统展现出根本性优势？

主要发现

• 当同时提供相关联的辅助噪声和噪声输入时，CNN能够恢复其原始性能的显著部分。
• 性能恢复效果随辅助噪声的质量和相关强度的提高而显著提升。
• 随着噪声复杂度的增加，经典网络的恢复性能呈现收益递减趋势，表明其在表示能力上存在瓶颈。
• 数值和理论分析表明，量子机器可能高效表示复杂噪声相关性，从而实现更优的缩放性能。
• 结果表明，在需要在高维噪声中利用相关性的任务中，可能存在潜在的量子优势。