[論文レビュー] Quantum Optical Convolutional Neural Network: A Novel Image Recognition Framework for Quantum Computing

Rishab Parthasarathy, Rohan Tan Bhowmik|arXiv (Cornell University)|Dec 19, 2020

Quantum Computing Algorithms and Architecture参考文献 28被引用数 46

ひとこと要約

本稿では、量子畳み込み層と光学的ニューラルネットワークを統合した新規なハイブリッド量子光学フレームワーク、量子光学的畳み込みニューラルネットワーク（QOCNN）を提案する。MNIST上で評価した結果、QOCNNは古典的・光学的モデルと同等の精度を達成するとともに、将来の量子ハードウェア上で複数桁のオーダーの理論的計算効率向上を示した。

ABSTRACT

Large machine learning models based on Convolutional Neural Networks (CNNs) with rapidly increasing number of parameters, trained with massive amounts of data, are being deployed in a wide array of computer vision tasks from self-driving cars to medical imaging. The insatiable demand for computing resources required to train these models is fast outpacing the advancement of classical computing hardware, and new frameworks including Optical Neural Networks (ONNs) and quantum computing are being explored as future alternatives. In this work, we report a novel quantum computing based deep learning model, the Quantum Optical Convolutional Neural Network (QOCNN), to alleviate the computational bottleneck in future computer vision applications. Using the popular MNIST dataset, we have benchmarked this new architecture against a traditional CNN based on the seminal LeNet model. We have also compared the performance with previously reported ONNs, namely the GridNet and ComplexNet, as well as a Quantum Optical Neural Network (QONN) that we built by combining the ComplexNet with quantum based sinusoidal nonlinearities. In essence, our work extends the prior research on QONN by adding quantum convolution and pooling layers preceding it. We have evaluated all the models by determining their accuracies, confusion matrices, Receiver Operating Characteristic (ROC) curves, and Matthews Correlation Coefficients. The performance of the models were similar overall, and the ROC curves indicated that the new QOCNN model is robust. Finally, we estimated the gains in computational efficiencies from executing this novel framework on a quantum computer. We conclude that switching to a quantum computing based approach to deep learning may result in comparable accuracies to classical models, while achieving unprecedented boosts in computational performances and drastic reduction in power consumption.

研究の動機と目的

• コンピュータビジョン分野における大規模なディープラーニングモデルの学習における増大する計算ボトルネックに対処すること。
• 量子コンputationと光学的ニューラルネットワークを統合した新たなハイブリッドフレームワークを検討し、効率の向上を図ること。
• 量子畳み込みおよびプーリング層を光学的非線形性と統合した新規なアーキテクチャ—QOCNN—の設計とベンチマークを実施すること。
• MNISTデータセット上で、QOCNNのロバストネスおよびパフォーマンスを古典的・光学的・量子ベースラインと比較して評価すること。
• 将来の量子ハードウェア上でQOCNNを実行した場合の理論的計算効率向上を推定すること。

提案手法

• 画像特徴抽出のため、量子畳み込み層と光学的ニューラルネットワーク部品を融合したハイブリッドQOCNNフレームワークを提案する。
• 各28×28の画像を、ピクセルの重ね合わせによって単一光子フォック状態を表す392個の複素数に符号化した、変更されたMNISTデータセットを用いる。
• 量子回路を用いて、キュービットベースの行列乗算とユニタリ変換を用いて畳み込みおよびプーリング操作を実装する。
• ComplexNetおよびQONNアーキテクチャにインspiredされ、光学ネットワークに量子ベースの正弦非線形性（例：sin(x)）を導入する。
• LeNet（古典的CNN）、GridNet、ComplexNet、およびsin(x)非線形性を有する独自のQONNと比較するため、古典的ハードウェア上でQOCNNモデルをシミュレートする。
• 精度、混同行列、ROC曲線、およびマシュー相関係数（MCC）を用いてモデルを評価し、ロバストネスおよび一般化性能について分析する。

実験結果

リサーチクエスチョン

• RQ1 量子光学的畳み込みニューラルネットワークは、MNIST上で古典的および光学的ディープラーニングモデルと同等の画像認識精度を達成できるか？
• RQ2 量子畳み込みおよびプーリング層の統合は、純粋に光学的または古典的モデルと比較して、モデルのパフォーマンスおよびロバストネスにどのように影響を与えるか？
• RQ3 将来の量子ハードウェア上でQOCNNを実行した場合、古典的フレームワークと比較してどの程度の理論的計算効率向上が達成可能か？
• RQ4 ROC曲線および混同行列で測定した場合、提案されたQOCNNモデルのロバストネスはどのように評価できるか？
• RQ5 QOCNNフレームワークにおける量子ベースの非線形性および行列演算は、メモリおよび計算複雑性をどの程度低減できるか？

主な発見

• QOCNNモデルはMNISTテストセットで97.8%の精度を達成し、古典的LeNet（97.6%）および他のベースラインと同等の水準であった。
• ROC曲線分析から、QOCNNは全数字クラスにおいて高いロバストネスを維持しており、曲線下の面積（AUC）値が常に0.95以上であった。
• モデルは優れた一般化性能を示し、混同行列から対角成分の優位性が強く、非対角成分の誤分類が低かった。
• 理論的分析から、10層ネットワーク、200バッチサイズ、10,000入力サイズの条件下で、QOCNNは古典的モデル比前方および逆伝搬において最大200倍の効率向上を達成できることが判明した。
• 量子システムにおけるメモリ使用量は、O(L(log n + log b))にスケーリングすると予測され、古典的モデルのO(n²L)から著しく削減されることが示唆された。これはパrameterの保存領域の大幅な削減を意味する。
• このフレームワークは、将来のフォールトトレランスNISQ時代の量子ハードウェア上で実行された場合、行列乗算の高速化および消費電力の低減という点で、桁違いのスピードアップの理論的潜在能力を示している。