[论文解读] ICCAD Special Session Paper: Quantum-Classical Hybrid Machine Learning for Image Classification

Mahabubul Alam, Satwik Kundu+2 more|arXiv (Cornell University)|Sep 7, 2021

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

本文提出用于图像分类的量子-经典混合机器学习模型，结合参数化量子线路（Quanvolution）与量子神经网络（QNN）实现端到端学习，或采用经典特征提取（PCA、CAE）后接QNN的架构。论文主张在Quanvolution和CAE中使用可训练滤波器而非线性降维方法，提供一个支持多种设计选择的Python框架，便于量子机器学习研究的实验。

ABSTRACT

Image classification is a major application domain for conventional deep learning (DL). Quantum machine learning (QML) has the potential to revolutionize image classification. In any typical DL-based image classification, we use convolutional neural network (CNN) to extract features from the image and multi-layer perceptron network (MLP) to create the actual decision boundaries. On one hand, QML models can be useful in both of these tasks. Convolution with parameterized quantum circuits (Quanvolution) can extract rich features from the images. On the other hand, quantum neural network (QNN) models can create complex decision boundaries. Therefore, Quanvolution and QNN can be used to create an end-to-end QML model for image classification. Alternatively, we can extract image features separately using classical dimension reduction techniques such as, Principal Components Analysis (PCA) or Convolutional Autoencoder (CAE) and use the extracted features to train a QNN. We review two proposals on quantum-classical hybrid ML models for image classification namely, Quanvolutional Neural Network and dimension reduction using a classical algorithm followed by QNN. Particularly, we make a case for trainable filters in Quanvolution and CAE-based feature extraction for image datasets (instead of dimension reduction using linear transformations such as, PCA). We discuss various design choices, potential opportunities, and drawbacks of these models. We also release a Python-based framework to create and explore these hybrid models with a variety of design choices.

研究动机与目标

• 探究使用Quanvolution和QNN的端到端量子-经典混合模型在图像分类中的可行性与性能。
• 评估在Quanvolution中使用可训练量子滤波器相较于PCA等线性降维技术在特征表示方面的有效性。
• 比较使用卷积自编码器（CAE）进行特征提取与经典降维方法在后续QNN训练中的表现。
• 识别在图像分类的量子-经典混合架构中设计上的权衡与机遇。
• 提供一个可复用的Python框架，支持多种混合量子-经典模型配置。

提出的方法

• 使用参数化量子线路实现Quanvolution，从图像中提取特征，替代传统的卷积层。
• 集成量子神经网络（QNN）以从提取的特征中学习复杂的决策边界。
• 通过PCA或CAE等经典降维方法提取特征，再输入QNN，实现混合模型的训练。
• 优先采用可训练的量子滤波器于Quanvolution中，以提升特征表示学习能力，优于固定或线性变换。
• 设计模块化Python框架，支持对Quanvolution、CAE、PCA与QNN组件的多种组合进行实验。
• 通过将量子特征提取与量子决策一体化，实现混合模型的端到端训练。

实验结果

研究问题

• RQ1 在图像分类中，Quanvolution中的可训练量子滤波器与PCA等线性变换相比，在特征表示方面表现如何？
• RQ2 在量子-经典混合图像分类模型中，使用CAE进行特征提取相较于PCA能带来多大的性能提升？
• RQ3 Quanvolution与QNN的集成如何实现量子机器学习中图像分类的端到端学习？
• RQ4 在混合模型中，使用Quanvolution与经典特征提取后接QNN的设计之间存在哪些关键权衡？
• RQ5 经典特征提取方法的选择如何影响量子-经典图像分类器的泛化能力与可扩展性？

主要发现

• 与固定或线性变换（如PCA）相比，Quanvolution中的可训练量子滤波器显著提升了特征提取质量。
• 基于CAE的特征提取在保留后续QNN分类所需的判别性图像特征方面优于PCA。
• 结合Quanvolution与QNN的混合模型实现了端到端学习，显示出相较于经典特征提取后接QNN的更高准确率潜力。
• 所提出的Python框架支持多种设计选择的灵活实验，有助于实现量子-经典图像分类研究的可复现性。
• 本研究识别出训练量子模型的关键挑战，包括梯度消失问题与硬件限制，尤其在深层QNN中更为显著。
• 尽管全端到端的量子-经典模型展现出前景，但实际性能仍受限于当前的含噪声中等规模量子（NISQ）硬件。