[论文解读] Improving Quantum Classifier Performance in NISQ Computers by Voting Strategy from Ensemble Learning

Ruiyang Qin, Zhiding Liang+3 more|arXiv (Cornell University)|Oct 4, 2022

Quantum Computing Algorithms and Architecture被引用 7

一句话总结

本文提出EQV，一种基于多个量子计算机上多数投票的集成量子分类器，用于缓解噪声中等规模含噪声量子（NISQ）设备中的噪声问题。通过在不同硬件上独立训练的变分量子电路（VQC）聚合预测结果，EQV在两分类和四分类MNIST图像分类任务中，分别比最先进方法高出最多16.0%和6.1%的准确率。

ABSTRACT

Due to the immense potential of quantum computers and the significant computing overhead required in machine learning applications, the variational quantum classifier (VQC) has received a lot of interest recently for image classification. The performance of VQC is jeopardized by the noise in Noisy Intermediate-Scale Quantum (NISQ) computers, which is a significant hurdle. It is crucial to remember that large error rates occur in quantum algorithms due to quantum decoherence and imprecision of quantum gates. Previous studies have looked towards using ensemble learning in conventional computing to reduce quantum noise. We also point out that the simple average aggregation in classical ensemble learning may not work well for NISQ computers due to the unbalanced confidence distribution in VQC. Therefore, in this study, we suggest that ensemble quantum classifiers be optimized with plurality voting. On the MNIST dataset and IBM quantum computers, experiments are carried out. The results show that the suggested method can outperform state-of-the-art on two- and four-class classifications by up to 16.0% and 6.1% , respectively.

研究动机与目标

• 为解决NISQ时代量子计算机高噪声问题导致变分量子分类器（VQC）性能下降的挑战。
• 克服将经典集成学习中的平均聚合方法应用于VQCs时所面临的不平衡置信度分布的局限性。
• 开发一种鲁棒的量子集成学习框架，以在噪声量子环境中提升准确率和稳定性。
• 证明在多个量子计算机上进行多数投票优于单设备推理和现有集成方法（如QUILT）。

提出的方法

• 在不同NISQ量子计算机上部署多个独立的变分量子电路（VQCs），对同一组输入数据生成多样化预测。
• 采用多数投票策略聚合预测结果，即得票最多的类别被选为最终输出。
• 利用正确预测即使在置信度分布不平衡的情况下也更可能在多个设备间保持一致的特性。
• 在真实IBM量子处理器（ibmq_lima、ibmq_belem、ibmq_quito）上，使用四量子比特量子电路ansatz对MNIST-2和MNIST-4数据集进行VQC训练。
• 与基线方法进行性能比较，包括单VQC推理、QUILT（平均聚合）以及One-Vs-One分类。
• 分析置信度分布，以证明在正确与错误预测的置信度分布存在偏斜时，多数投票优于平均聚合。

实验结果

研究问题

• RQ1 在NISQ设备中置信度分布不平衡的情况下，量子集成学习中的多数投票是否能优于平均聚合？
• RQ2 将VQC推理分布到多个物理量子计算机上，是否能相比单设备执行提升分类准确率？
• RQ3 集成投票在多大程度上可以缓解NISQ时代量子分类器中的量子噪声影响？
• RQ4 EQV在真实量子硬件上的性能与最先进量子集成方法（如QUILT和One-Vs-One）相比如何？
• RQ5 为何模拟与真实设备性能之间的准确率差距在更高类别分类任务中增大？

主要发现

• 在两分类MNIST-2分类任务中，EQV使用7个集成规模达到87.0%的准确率，相比QUILT（71%）和One-Vs-One（28%）最高提升16.0%。
• 在四分类MNIST-4分类任务中，EQV使用11个集成规模达到45.1%的准确率，相比QUILT（39%）和One-Vs-One（21%）提升6.1%。
• EQV在真实量子硬件上的表现（MNIST-2为87.0%）优于任意单一设备上的单个VQC（ibmq_quito最高为83.0%）。
• 从模拟（MNIST-2为91.0%）到真实硬件（MNIST-2为87.0%）的准确率下降在四分类任务中更显著，表明随着量子比特数增加，对噪声更敏感。
• 多数投票能有效缓解不平衡置信度分布的影响，其中错误预测通常置信度较低，但可能在平均聚合中占据主导。
• 通过利用硬件多样性与投票机制，该框架即使在单个量子处理器误差率不同时，也展现出更高的稳定性和鲁棒性。