[论文解读] Hybrid Quantum-Classical Graph Convolutional Network

Samuel Yen-Chi Chen, Tzu-Chieh Wei+3 more|arXiv (Cornell University)|Jan 15, 2021

Quantum Computing Algorithms and Architecture参考文献 89被引用 24

一句话总结

提出一种混合量子-经典图卷积神经网络（QGCNN），用于高能物理数据，在参数更少的情况下实现与QCNN相当的测试准确率，并在DUNE样本数据上优于经典基线。

ABSTRACT

The high energy physics (HEP) community has a long history of dealing with large-scale datasets. To manage such voluminous data, classical machine learning and deep learning techniques have been employed to accelerate physics discovery. Recent advances in quantum machine learning (QML) have indicated the potential of applying these techniques in HEP. However, there are only limited results in QML applications currently available. In particular, the challenge of processing sparse data, common in HEP datasets, has not been extensively studied in QML models. This research provides a hybrid quantum-classical graph convolutional network (QGCNN) for learning HEP data. The proposed framework demonstrates an advantage over classical multilayer perceptron and convolutional neural networks in the aspect of number of parameters. Moreover, in terms of testing accuracy, the QGCNN shows comparable performance to a quantum convolutional neural network on the same HEP dataset while requiring less than $50\%$ of the parameters. Based on numerical simulation results, studying the application of graph convolutional operations and other QML models may prove promising in advancing HEP research and other scientific fields.

研究动机与目标

• 为稀疏的高能物理数据引入量子机器学习的动机。
• 引入混合量子-经典图卷积架构（QGCNN）。
• 展示在类似DUNE的数据集上参数效率与竞争力准确率。
• 在相同任务上将QGCNN与经典的MLP/CNN以及QCNN进行比较。

提出的方法

• 对输入图像应用图卷积操作，使用归一化的邻接矩阵聚合相邻特征。
• 通过振幅编码将图处理后的向量编码为量子态，以最小化量子比特数。
• 用两个变分量子电路（VQC）块处理编码态，两者之间以tanh激活函数分隔，最后接一个经典后处理层。
• 使用基于梯度的参数移位规则训练VQC，采用RMSProp优化器。
• 在DUNE数据集上将模型参数和性能与经典的MLP/CNN以及QCNN基线进行比较。
• 采用振幅编码和变分编码方案进行量子数据处理。

实验结果

研究问题

• RQ1 混合量子-经典图CNN是否能相对于纯经典模型在稀疏的HEP数据上提升性能？
• RQ2 将图卷积与变分量子电路结合是否在保持准确性的同时降低参数数量？
• RQ3 在DUNE模拟的粒子识别任务中，QGCNN与QCNN以及经典架构相比如何？

主要发现

• QGCNN在若干二分类任务上比QCNN需要更少的参数，同时实现可比的测试精度。
• 在同一数据集上，QGCNN的测试精度优于经典的MLP和CNN基线。
• 在μ子 vs 电子任务中，QGCNN在显著更少的参数下实现高精度，相较于有竞争力的量子和经典模型。
• 在μ子 vs 质子以及 μ子 vs π 中，QGCNN显示出与QCNN相媲美或更高的测试准确度，同时参数更少。
• 结果支持对稀疏的科学数据如HEP事件，图结构的量子处理可能具有优势。