[论文解读] Convolution filter embedded quantum gate autoencoder

Kodai Shiba, Katsuyoshi Sakamoto+3 more|arXiv (Cornell University)|Jun 4, 2019

Quantum Computing Algorithms and Architecture参考文献 3被引用 7

一句话总结

该论文提出了一种量子自编码器，通过将卷积滤波器集成到量子门操作中，实现在近期内存量子计算机上高效地进行特征提取和图像去噪。通过在少量量子比特上进行卷积处理，该方法在多达数百量子比特的图像数据上实现了98%的自编码准确率，优于经典主成分分析（PCA）在MNIST数据上的降维表现，但受限于IBM Q Melbourne的硬件条件，导致错误率较高。

ABSTRACT

The autoencoder is one of machine learning algorithms used for feature extraction by dimension reduction of input data, denoising of images, and prior learning of neural networks. At the same time, autoencoders using quantum computers are also being developed. However, current quantum computers have a limited number of qubits, which makes it difficult to calculate big data. In this paper, as a solution to this problem, we propose a computation method that applies a convolution filter, which is one of the methods used in machine learning, to quantum computation. As a result of applying this method to a quantum autoencoder, we succeeded in denoising image data of several hundred qubits or more using only a few qubits under the autoencoding accuracy of 98%, and the effectiveness of this method was obtained. Meanwhile, we have verified the feature extraction function of the proposed autoencoder by dimensionality reduction. By projecting the MNIST data to two-dimension, we found the proposed method showed superior classification accuracy to the vanilla principle component analysis (PCA). We also verified the proposed method using IBM Q Melbourne and the actual machine failed to provide accurate results implying high error rate prevailing in the current NISQ quantum computer.

研究动机与目标

• 解决当前量子计算机在量子比特数量有限的情况下处理大规模数据的挑战。
• 通过整合经典机器学习中的卷积滤波技术，提升量子自编码器的性能。
• 仅使用少量量子比特，实现图像数据的有效降维与去噪。
• 在真实NISQ硬件上评估该方法的性能，特别是IBM Q Melbourne的表现。

提出的方法

• 该方法将卷积滤波器直接嵌入量子电路结构中，通过局部化、参数化的量子门操作对输入数据进行变换。
• 设计了一种量子自编码器架构，其中编码器应用卷积量子门从输入图像中提取特征。
• 解码器从压缩的潜在表示中重建输入，训练过程以重建准确率为优化目标。
• 卷积门设计通过分块处理图像局部区域而非一次性处理整幅图像，显著减少了所需量子比特数量。
• 采用变分量子电路方法，使用参数化量子门对模型进行训练。
• 通过将数据投影至二维并比较分类准确率，对MNIST数据进行了评估，与经典PCA进行对比。

实验结果

研究问题

• RQ1 能否有效将卷积滤波技术嵌入量子门操作中，以减少量子自编码器对量子比特数量的需求？
• RQ2 在仅使用少量量子比特的条件下，采用卷积门的量子自编码器在多大程度上可实现对大图像数据的有效去噪？
• RQ3 在降维后，该方法与经典PCA相比，在分类准确率方面表现如何？
• RQ4 为何该方法在当前的NISQ硬件（如IBM Q Melbourne）上无法产生准确结果？

主要发现

• 所提出的量子自编码器在仅使用少量量子比特的情况下，对数百量子比特的图像数据去噪任务中实现了98%的重建准确率。
• 当MNIST数据被降维至二维时，该方法在分类准确率上优于原始PCA方法。
• 卷积滤波的集成实现了高效的特征提取与降维，且对量子比特数量的依赖极低。
• 该方法在IBM Q Melbourne上未能产生准确结果，表明当前NISQ设备普遍存在高错误率。
• 结果表明，该方法在理论上是合理的，但目前受限于硬件噪声与错误率。