[论文解读] A Tutorial on Quantum Convolutional Neural Networks (QCNN)

Seunghyeok Oh, Jaeho Choi+1 more|arXiv (Cornell University)|Sep 20, 2020

Quantum Computing Algorithms and Architecture参考文献 14被引用 15

一句话总结

本文提出了一种量子卷积神经网络（QCNN），将经典CNN架构适配至量子计算，利用量子线路实现卷积和池化层，并采用多尺度纠缠重正化方法（MERA）实现O(log n)的电路深度。在使用TensorFlow Quantum的MNIST仿真中，QCNN的性能与经典CNN相当，同时实现了在小规模量子硬件上的高效学习。

ABSTRACT

Convolutional Neural Network (CNN) is a popular model in computer vision and has the advantage of making good use of the correlation information of data. However, CNN is challenging to learn efficiently if the given dimension of data or model becomes too large. Quantum Convolutional Neural Network (QCNN) provides a new solution to a problem to solve with CNN using a quantum computing environment, or a direction to improve the performance of an existing learning model. The first study to be introduced proposes a model to effectively solve the classification problem in quantum physics and chemistry by applying the structure of CNN to the quantum computing environment. The research also proposes the model that can be calculated with O(log(n)) depth using Multi-scale Entanglement Renormalization Ansatz (MERA). The second study introduces a method to improve the model's performance by adding a layer using quantum computing to the CNN learning model used in the existing computer vision. This model can also be used in small quantum computers, and a hybrid learning model can be designed by adding a quantum convolution layer to the CNN model or replacing it with a convolution layer. This paper also verifies whether the QCNN model is capable of efficient learning compared to CNN through training using the MNIST dataset through the TensorFlow Quantum platform.

研究动机与目标

• 通过利用量子计算实现高效学习，应对多体量子系统中指数级增长的数据挑战。
• 设计一种QCNN模型，通过量子卷积和池化层保持数据的空间相关性。
• 通过MNIST数据集在小规模量子硬件上展示QCNN的可行性与性能表现。
• 将QCNN与经典全连接模型及CNN模型进行对比，评估其学习效率与准确率。
• 通过混合量子-经典架构探索图像分类中的量子优势。

提出的方法

• 将经典CNN结构中的卷积和池化层适配为量子线路，利用量子比特门与纠缠实现。
• 反向使用多尺度纠缠重正化方法（MERA），以O(log n)的深度高效减小系统规模。
• 采用可训练旋转门（RX、RZ）的参数化量子线路，实现特征学习与基于梯度的优化。
• 通过在量子比特上应用旋转门实现量子态编码，将经典像素数据映射为量子态。
• 采用基于测量的解码方法，从最终量子态中提取经典标签。
• 实现混合模型，将量子卷积层与经典全连接层连接，用于分类任务。

实验结果

研究问题

• RQ1 QCNN能否在利用量子并行性的同时，将电路深度降低，且保持与经典CNN相当的性能？
• RQ2 当在近期量子硬件上实现时，QCNN在图像分类任务（如MNIST）上的表现如何？
• RQ3 与全连接量子模型相比，引入量子卷积层在多大程度上提升了学习效率？
• RQ4 QCNN能否通过MERA实现O(log n)的电路深度，从而支持可扩展的量子学习？
• RQ5 量子编码与测量策略对QCNN分类准确率有何影响？

主要发现

• QCNN在下采样至10×10的MNIST数据集上实现了与经典CNN相当的分类性能。
• QCNN模型显著优于纯全连接量子模型，证明了卷积结构的优势。
• 量子卷积层通过MERA实现了O(log n)的电路深度，显著降低了资源需求。
• 使用TensorFlow Quantum的仿真结果证实了QCNN在小规模量子处理器上实现混合量子-经典学习的可行性。
• 模型在各训练周期中表现出一致的学习性能，表明基于可训练量子门的优化过程稳定。
• 采用基于梯度优化的参数化量子线路实现了在量子模拟器上的有效模型训练。