[论文解读] Reflection Equivariant Quantum Neural Networks for Enhanced Image Classification

Maxwell T. West, M. E. Sevior+1 more|arXiv (Cornell University)|Dec 1, 2022

Quantum Computing Algorithms and Architecture参考文献 45被引用 4

一句话总结

本文提出了一种用于图像分类的反射等变量子神经网络（REQNN），利用图像数据集中固有的反射对称性，以提升训练效率和泛化能力。通过在对称电路设计和基变换中强制实现等变性，REQNN在MNIST、CIFAR-10和CelebA数据集上相较于通用量子电路展现出显著更高的测试准确率和更慢的梯度消失现象。

ABSTRACT

Machine learning is among the most widely anticipated use cases for near-term quantum computers, however there remain significant theoretical and implementation challenges impeding its scale up. In particular, there is an emerging body of work which suggests that generic, data agnostic quantum machine learning (QML) architectures may suffer from severe trainability issues, with the gradient of typical variational parameters vanishing exponentially in the number of qubits. Additionally, the high expressibility of QML models can lead to overfitting on training data and poor generalisation performance. A promising strategy to combat both of these difficulties is to construct models which explicitly respect the symmetries inherent in their data, so-called geometric quantum machine learning (GQML). In this work, we utilise the techniques of GQML for the task of image classification, building new QML models which are equivariant with respect to reflections of the images. We find that these networks are capable of consistently and significantly outperforming generic ansatze on complicated real-world image datasets, bringing high-resolution image classification via quantum computers closer to reality. Our work highlights a potential pathway for the future development and implementation of powerful QML models which directly exploit the symmetries of data.

研究动机与目标

• 解决量子机器学习（QML）模型在图像分类任务中面临的 barren plateaus（平坦区域）与过拟合问题。
• 通过将物理对称性嵌入模型架构，提升变分量子电路的泛化能力与训练效率。
• 证明对称性感知的QML模型在真实世界图像数据集上优于通用的、与数据无关的架构。
• 探究量子电路中的反射等变性是否能带来可测量的性能提升与更优的梯度流动。
• 验证在QML中利用对称性是实现图像识别领域实用量子优势的可行路径。

提出的方法

• 设计一种具有反射等变编码电路的量子变分分类器，采用幅值编码后的基变换方法。
• 使用与反射对称操作（X^{⊗ n}）可交换的门构建变分ansatz。
• 通过相邻量子比特测量结果的乘积，保持输出预测的等变性。
• 在10–12量子比特上实现MNIST模型，在12量子比特上实现CIFAR-10/CelebA模型，采用像素幅值编码。
• 与深度和参数数量相同但无对称性约束的通用量子变分分类器进行性能对比。
• 通过3000次随机初始化评估梯度方差，以评估训练效率并对比通用模型。

实验结果

研究问题

• RQ1 量子神经网络中的反射等变性是否能提升复杂图像数据集上的分类准确率？
• RQ2 在量子电路中强制实施反射对称性是否能减缓梯度消失并提升训练效率？
• RQ3 反射等变模型的性能提升是源于对称性本身，还是仅仅由于架构差异？
• RQ4 对称性感知的设计在近期量子机器学习中能在多大程度上缓解平坦区域问题？
• RQ5 几何量子机器学习技术能否在NISQ时代硬件上实现高分辨率图像分类？

主要发现

• 在MNIST、CIFAR-10和CelebA数据集上，反射等变模型的测试准确率显著高于通用模型，所有基准测试中均表现出一致的性能提升。
• 在10–12量子比特下，反射等变模型的梯度方差比通用模型高出几个数量级，表明其训练效率更优。
• 混合模型（通用编码器与等变变分主体结合）的表现劣于完整反射等变模型，证实对称性尊重是性能提升的关键。
• 尽管未严格证明可避免平坦区域，REQNN的梯度消失速率相比通用模型显著降低，表明其在更大电路中具有可行性。
• 结果表明，对称性感知的QML模型可超越更复杂的通用模型，凸显几何量子机器学习的价值。
• 本研究提供了实证证据，表明对称性利用是推动NISQ时代量子图像分类发展的实用且高效策略。