[논문 리뷰] Quantum Neural Networks: A Comparative Analysis and Noise Robustness Evaluation

Tasnim Ahmed, Muhammad Kashif외 2명|ArXiv.org|2025. 01. 24.

Neural Networks and Applications인용 수 3

한 줄 요약

이 논문은 MNIST 이미지 분류에 대해 QuanNN, QCNN, QTL HQNN을 비교하고 다양한 양자 노이즈 채널에 대한 강건성을 분석하여 일반적으로 QuanNN이 가장 강건하다는 결론을 도출합니다.

ABSTRACT

In current noisy intermediate-scale quantum (NISQ) devices, hybrid quantum neural networks (HQNNs) offer a promising solution, combining the strengths of classical machine learning with quantum computing capabilities. However, the performance of these networks can be significantly affected by the quantum noise inherent in NISQ devices. In this paper, we conduct an extensive comparative analysis of various HQNN algorithms, namely Quantum Convolution Neural Network (QCNN), Quanvolutional Neural Network (QuanNN), and Quantum Transfer Learning (QTL), for image classification tasks. We evaluate the performance of each algorithm across quantum circuits with different entangling structures, variations in layer count, and optimal placement in the architecture. Subsequently, we select the highest-performing architectures and assess their robustness against noise influence by introducing quantum gate noise through Phase Flip, Bit Flip, Phase Damping, Amplitude Damping, and the Depolarizing Channel. Our results reveal that the top-performing models exhibit varying resilience to different noise gates. However, in most scenarios, the QuanNN demonstrates greater robustness across various quantum noise channels, consistently outperforming other models. This highlights the importance of tailoring model selection to specific noise environments in NISQ devices.

연구 동기 및 목표

• 노이즈가 없는 조건에서 이미지 분류에 대한 세 HQNN 모델(QuanNN, QCNN, QTL)의 성능 평가
• 회로 아키텍처(얽힘 종류, 계층 깊이, 배치)가 HQNN 성능에 미치는 영향 조사
• 다양한 노이즈 채널에서 양자 노이즈에 대해 가장 강건한 아키텍처 식별
• 노이즈 환경을 기반으로 NISQ 디바이스용 HQNN 설계 선택에 대한 가이드 제공

제안 방법

• 깊이 1–6의 4-큐빗 VQC와 함께 세 HQNN 변형(QuanNN, QCNN, QTL)을 구현하고 비교
• 얽힘 회로 유형(약간, 기본, 강하게)을 변화시키고 성능 영향을 관찰
• 큐빗 수를 맞추고 다클래스 분류를 가능하게 하기 위해 MNIST 하위집합(클래스 0–3) 사용
• 무노이즈 실행에서의 정확도 ≥80%인 최상의 구성 선택 후 후속 노이즈 강건성 테스트
• VQC 끝에 양자 노이즈 게이트(Bit Flip, Phase Flip, Phase Damping, Amplitude Damping, Depolarizing Channel)를 0.1–1.0 확률로 도입
• 노이즈 대 아이델 조건에서 학습 및 검증 정확도 평가
• 소음이 있는 장치에서 아키텍처 선택을 안내하기 위한 강건성 차이 보고

Figure 1: Motivational Case study. (a)Two different variant of HQNN (QCNN and QuanNN) yields different performance with the same underlying architecture of quantum layers (b) Different effects of Bit Flip noise on the performance of QCNN and QuanNN highlight unique noise sensitivities of different H

실험 결과

연구 질문

• RQ1 어떤 HQNN 아키텍처(QuanNN, QCNN, QTL)가 다양한 VQC 구성에서 노이즈가 없는 다중 클래스 분류 성능을 가장 잘 제공하는가?
• RQ2 이상적 조건에서 각 HQNN 모델의 얽힘 수준과 계층 깊이가 성능에 어떤 영향을 주는가?
• RQ3 최고 성능의 HQNN 아키텍처가 다양한 양자 노이즈 채널과 노이즈 수준에 얼마나 강인한가?
• RQ4 여러 노이즈 유형(Bit Flip, Phase Flip, Phase Damping, Amplitude Damping, Depolarizing Channel) 간에 가장 일관된 강건성을 보이는 아키텍처는?

주요 결과

• QuanNN은 노이즈가 없는 다중 클래스 분류에서 일반적으로 QCNN 및 QTL보다 우수한 성능을 보임(테스트된 구성에서).
• QCNN 성능은 얽힘 정도와 계층 깊이에 매우 민감하며 비단조적 동작이 관찰됨.
• QTL은 일관되게 저조한 성능을 보이며 구성에 상관없이 약 20% 정확도에 도달하기 때문에 테스트 작업에 비특화적임.
• 노이즈 하에서 QuanNN은 여러 채널에서 더 강인성을 보이는 반면 QCNN 강건성은 채널 의존적임.
• Amplitude Damping 및 Depolarizing 노이즈는 QCNN에 대해 뚜렷한 내성 패턴을 보이며 노이즈 확률 증가에 따라 임계치와 같은 저하가 나타남.
• QCNN은 매우 낮은 Bit Flip 확률에서 노이즈 보조 학습을 보일 수 있지만 일반화는 이상적 경우와 비슷하게 유지되며, 더 높은 노이즈는 학습을 악화시킴.
• 추가 노이즈 분석을 위해 확인된 최적 구성: 강하게 얽힌 VQC 3레이어의 QCNN; 기본 얽힘 VQC 3레이어의 QuanNN.

Figure 2: Architecture overview of Sslected HQNN algorithms. Each model utilizes a classical fully connected layer to transform quantum circuit measurement into classification probabilities. In the QCNN, classical convolutional and pooling layers are used for image downsizing to match the qubit coun