[논문 리뷰] Multiclass classification using quantum convolutional neural networks with hybrid quantum-classical learning

Denis Bokhan, Alena S. Mastiukova외 3명|arXiv (Cornell University)|2022. 03. 29.

Quantum Computing Algorithms and Architecture인용 수 6

한 줄 요약

이 논문은 새로운 양자 퍼셉트론과 최적화된 회로 설계를 사용한 양자 컨volution 신경망(QCNNs)을 활용한 하이브리드 양자-고전적 다중 클래스 분류 모델을 제안한다. 텐서플로우 큐앙텀을 통해 구현된 이 접근법은 8개의 데이터 큐비트와 4개의 보조 큐비트를 사용하여 4개 클래스의 MNIST 작업에서 85.14%의 정확도를 달성하였으며, 동일한 파rameter 수를 가진 고전적 CNN 성능과 유사한 성능을 보이며, 4개 클래스의 QCNN에서 이러한 정확도를 처음으로 입증하였다.

ABSTRACT

Multiclass classification is of great interest for various applications, for example, it is a common task in computer vision, where one needs to categorize an image into three or more classes. Here we propose a quantum machine learning approach based on quantum convolutional neural networks for solving the multiclass classification problem. The corresponding learning procedure is implemented via TensorFlowQuantum as a hybrid quantum-classical (variational) model, where quantum output results are fed to the softmax activation function with the subsequent minimization of the cross entropy loss via optimizing the parameters of the quantum circuit. Our conceptional improvements here include a new model for a quantum perceptron and an optimized structure of the quantum circuit. We use the proposed approach to solve a 4-class classification problem for the case of the MNIST dataset using eight qubits for data encoding and four ancilla qubits; previous results have been obtained for 3-class classification problems. Our results show that accuracies of our solution are similar to classical convolutional neural networks with comparable numbers of trainable parameters. We expect that our finding provide a new step towards the use of quantum neural networks for solving relevant problems in the NISQ era and beyond.

연구 동기 및 목표

• 변량 양자 회로를 사용한 다중 클래스 분류를 위한 확장 가능한 양자 기계 학습 프레임워크를 개발하기 위해.
• 기존의 3개 클래스 문제에 국한된 양자 컨볼루션 신경망 아키텍처를 4개 이상의 클래스를 지원하도록 확장하기 위해.
• 새로운 양자 퍼셉트론 모델과 최적화된 얽힘 구조를 통해 양자 회로의 효율성과 표현력을 향상시키기 위해.
• 유사한 파rameter 수를 가진 고전적 CNN과의 비교를 통해, 다중 클래스 이미지 분류에서 양자 우월성 잠재력을 평가하기 위해.

제안 방법

• 텐서플로우 큐앙텀를 사용하여 하이브리드 양자-고전적 변량 모델을 구현하였으며, 양자 회로는 교차 엔트로피 손실에 대해 경사 하강법을 통해 훈련된다.
• 입력 데이터는 8 큐비트에 진폭 인코딩 방식으로 인코딩되며, 추가로 4개의 보조 큐비트가 측정 읽기 전용으로만 사용된다.
• 표준 단일 큐비트 회전을 대체하기 위해 매개변수화된 얽힘 게이트를 사용하는 새로운 양자 퍼셉트론 모델이 도입되었다.
• 양자 회로의 구조는 컨볼루션 필터링, 풀링, 완전 연결층을 포함한 고전적 CNN을 모방하며, 출력 클래스 수와 일치시키기 위해 큐비트 수를 감소시켰다.
• 교차 엔트로피 손실을 최소화하기 위해 고전적 최적화기를 사용하여 파rameter를 최적화하며, 양자 출력은 다중 클래스 예측을 위해 소프트맥스 활성화 함수에 입력된다.
• 계산 중 보조 큐비트와 데이터 큐비트 간의 얽힘을 피함으로써 하드웨어 복잡성을 감소시켰다.

실험 결과

연구 질문

• RQ1 다중 클래스 이미지 분류에서 4개 이상의 클래스를 효과적으로 지원할 수 있도록 양자 컨볼루션 신경망 아키텍처를 확장할 수 있는가?
• RQ2 제안된 양자 퍼셉트론 모델은 다중 클래스 설정에서 표준 매개변수화된 양자 회로보다 분류 정확도를 향상시키는가?
• RQ3 유사한 수의 훈련 가능한 파rameter를 사용할 때 QCNN이 고전적 CNN과 비슷한 분류 성능을 달성할 수 있는가?
• RQ4 매개변수화된 얽힘과 최적화된 회로 구조의 포함이 다중 클래스 양자 분류기의 성능에 어떤 영향을 미치는가?
• RQ5 측정 전용 작업을 위한 보조 큐비트의 사용은 정확도 저하 없이 하드웨어 제약 조건을 줄일 수 있는가?

주요 결과

• 제안된 QCNN는 4개 클래스의 MNIST 숫자 분류 작업에서 85.14%의 정확도를 달성하여, 3개 클래스 문제를 초월한 다중 클래스 양자 분류의 가능성을 입증하였다.
• chalumuri 등(2021)과 유사한 기준 QCNN보다 13.7个百分点 높은 성능을 기록하여, 새로운 양자 퍼셉트론과 회로 설계의 영향을 확인하였다.
• QCNN의 정확도(85.14%)는 188개 파rameter를 가진 고전적 CNN(94.25%)와 유사하여, 현재 NISQ 한계에도 불구하고 경쟁 가능한 성능임을 시사하였다.
• 매개변수화된 얽힘과 CNN 유사 회로 구조의 사용은 간단한 회로 설계보다 분류 정확도를 크게 향상시켰다.
• 결과적으로 보조 큐비트를 계산 중에 얽힘 없이 측정 전용으로 사용할 수 있음을 보여주며, 하드웨어 요구 조건을 단순화시켰다.
• 이 작업은 동일한 파rameter 수를 가진 고전적 모델과 유사한 성능을 보이며, 4개 클래스의 QCNN 기반 양자 다중 클래스 분류기의 첫 성공적인 시연로 여겨진다.