[论文解读] Image Compression and Classification Using Qubits and Quantum Deep Learning

Ali Mohsen, Mohit Tiwari|arXiv (Cornell University)|Oct 8, 2021

Quantum Computing Algorithms and Architecture参考文献 34被引用 7

一句话总结

本文提出了一种基于柔性量子图像表示法（FRQI）的新型量子图像编码方法，可将经典图像压缩为更少的量子比特，从而在标准笔记本电脑上实现量子神经网络（QNN）对真实 $16\times16$ MNIST 数字的分类。该方法在相同参数数量下实现了与经典神经网络相当的分类准确率，展示了在经典上难以处理的图像尺寸上实现可扩展的量子机器学习。

ABSTRACT

Recent work suggests that quantum machine learning techniques can be used for classical image classification by encoding the images in quantum states and using a quantum neural network for inference. However, such work has been restricted to very small input images, at most 4 x 4, that are unrealistic and cannot even be accurately labeled by humans. The primary difficulties in using larger input images is that hitherto-proposed encoding schemes necessitate more qubits than are physically realizable. We propose a framework to classify larger, realistic images using quantum systems. Our approach relies on a novel encoding mechanism that embeds images in quantum states while necessitating fewer qubits than prior work. Our framework is able to classify images that are larger than previously possible, up to 16 x 16 for the MNIST dataset on a personal laptop, and obtains accuracy comparable to classical neural networks with the same number of learnable parameters. We also propose a technique for further reducing the number of qubits needed to represent images that may result in an easier physical implementation at the expense of final performance. Our work enables quantum machine learning and classification on classical datasets of dimensions that were previously intractable by physically realizable quantum computers or classical simulation

研究动机与目标

• 解决在经典图像分类中量子机器学习面临的量子比特可扩展性障碍。
• 在物理上可行的量子比特数量下，实现对真实、更大图像（最高至 $16\times16$）的分类。
• 开发一种专为高度纠缠的 FRQI 编码图像设计的 QNN 架构，实现与经典模型相当的性能。
• 通过一种新颖的两量子比特压缩技术，探索量子比特减少与分类准确率之间的权衡。

提出的方法

• 使用 FRQI 编码方案，通过比经典比特表示少得多的量子比特，将经典图像映射为量子态。
• 采用自定义的 QNN 架构，包含 CRADL 和 CRAML 层，专为处理 FRQI 编码图像的纠缠结构而设计。
• 应用一种两量子比特压缩技术，进一步减少量子比特需求，但以性能下降为代价。
• 仅使用两量子比特门实现整个流程，确保与 Cirq 和 TensorFlow Quantum 等现有量子机器学习框架的兼容性。
• 使用标准反向传播和参数化量子电路训练 QNN，以 MNIST 的分类准确率为优化目标。
• 在个人笔记本电脑上通过经典模拟训练和评估 QNN，证明无需大规模量子硬件即可实现可行性。

实验结果

研究问题

• RQ1 量子机器学习模型能否在可行的量子比特数量下对真实 $16\times16$ 图像进行分类？
• RQ2 与直接态制备相比，基于 FRQI 的编码在图像表示中如何减少量子比特需求？
• RQ3 两量子比特压缩技术在多大程度上减少了量子比特数量，同时保持分类性能？
• RQ4 在相同参数数量下，基于 FRQI 编码图像训练的 QNN 能否实现与经典神经网络相当的准确率？
• RQ5 在量子图像分类中，量子比特减少与模型性能之间的权衡如何？

主要发现

• 当使用 6 量子比特的 FRQI 编码时，QNN 在 $8\times8$ MNIST 图像上的分类准确率与相同参数数量的经典神经网络相当。
• 对于 $16\times16$ 图像，仅当使用两量子比特压缩技术时，相同参数数量的 QNN 才能与经典模型性能相当，尽管性能略有下降。
• 该模型成功在个人笔记本电脑上使用仅 8 个量子比特（6 个用于像素位置，1 个用于颜色，1 个用于读出）对 $16\times16$ 图像进行分类，证明了超越以往 $4\times4$ 限制的可行性。
• QNN 与经典模型的验证准确率曲线显示出相似的训练动态，表明尽管存在量子噪声和电路深度，学习过程仍保持稳定。
• 随着图像压缩程度增加，性能下降，进一步减少量子比特会导致学习不稳定，表明极端压缩下需要对架构进行重新设计。
• 所提出的编码与 QNN 框架使经典数据集上以往在经典模拟或可用量子硬件上难以处理的尺寸实现量子机器学习成为可能。