[论文解读] Efficient Quantum Convolutional Neural Networks for Image Classification: Overcoming Hardware Constraints

Peter Röseler, Oliver Schaudt+3 more|ArXiv.org|May 9, 2025

Quantum Computing Algorithms and Architecture被引用 3

一句话总结

该论文展示了一种片段编码的正则QCNN，使用49个量子比特处理28×28 MNIST图像，在真实量子硬件上达到96.08%的准确率，在相同训练条件下优于经典CNN基线。

ABSTRACT

While classical convolutional neural networks (CNNs) have revolutionized image classification, the emergence of quantum computing presents new opportunities for enhancing neural network architectures. Quantum CNNs (QCNNs) leverage quantum mechanical properties and hold potential to outperform classical approaches. However, their implementation on current noisy intermediate-scale quantum (NISQ) devices remains challenging due to hardware limitations. In our research, we address this challenge by introducing an encoding scheme that significantly reduces the input dimensionality. We demonstrate that a primitive QCNN architecture with 49 qubits is sufficient to directly process $28 imes 28$ pixel MNIST images, eliminating the need for classical dimensionality reduction pre-processing. Additionally, we propose an automated framework based on expressibility, entanglement, and complexity characteristics to identify the building blocks of QCNNs, parameterized quantum circuits (PQCs). Our approach demonstrates advantages in accuracy and convergence speed with a similar parameter count compared to both hybrid QCNNs and classical CNNs. We validated our experiments on IBM's Heron r2 quantum processor, achieving $96.08\%$ classification accuracy, surpassing the $71.74\%$ benchmark of traditional approaches under identical training conditions. These results represent one of the first implementations of image classifications on real quantum hardware and validate the potential of quantum computing in this area.

研究动机与目标

• 将输入维度降至足以在当前NISQ设备上支撑的程度，使QCNN能够直接处理
• 使用可表达性、纠缠性与复杂度标准，自动化设计QCNN卷积层的变分量子电路（PQC）
• 在MNIST任务上比较混合QCNN和片段编码正则QCNN与经典CNN基线
• 在IBM量子硬件上验证QCNN的性能与收敛速度
• 确定有效QCNN架构与嵌入的设计原则

提出的方法

• 提出一种显著降低输入维度的新编码方案，使在49量子比特的初级QCNN上直接处理28×28 MNIST成为可能
• 使用贝叶斯优化设计CNN基线和PQC Ansatz，依据可表达性、纠缠性与复杂度标准
• 评估两种QCNN结构：一种是逐层测量的混合QCNN，另一种是以片段编码进行并行处理的正则QCNN
• 定义并应用一个LPQC目标函数，优先考虑可表达性与纠缠阈值，再最小化电路复杂度
• 在IBM的Heron r2量子处理器上进行基准测试，并在相同训练条件下与优化后的经典CNN基线进行比较
• 提出受2×2卷积窗口启发的片段编码，使得仅用单量子比特门和一个通用门即可实现全量子处理

实验结果

研究问题

• RQ1 片段编码直接处理完整的MNIST图像是否无需经典维度约简？
• RQ2 以可表达性和纠缠性优化的PQC是否比混合QCNN和经典CNN在性能上有优势？
• RQ3 混合QCNN与常规QCNN在二值及多类MNIST任务上的准确率与收敛行为有何差异？
• RQ4 在相同条件下，在真实量子硬件上的训练是否能超过优化后的经典基线？
• RQ5 编码策略（片段编码 vs. 量子比特编码）对扩展性和硬件可行性有何影响？

主要发现

• 49量子比特的正则QCNN可直接处理28×28 MNIST图像，无需事先降维
• 在IBM的Heron r2硬件上，正则QCNN在相同训练条件下达到96.08%的准确率，而优化的CNN为71.74%
• 使用片段编码的正则QCNN显示更快的收敛，在二值数字分类任务上可超越经典基线
• 最佳的正则QCNN配置（WUE嵌入，额外三个U3层）在0对1任务上以极低标准差实现98.7%准确率
• 混合QCNN在所报告的设置中并未超过经典CNN，尽管Type II混合QCNN在某些4量子比特设置上接近CNN性能（如在0/1任务中达到92.29%）
• 实验表明QCNN变体相较CNN具有更好的收敛速度，尽管在更复杂任务上总体上经典CNN仍具竞争力