[论文解读] Learning architectures based on quantum entanglement: a simple matrix product state algorithm for image recognition

Yuhan Liu, Xiao Zhang+2 more|arXiv (Cornell University)|Mar 24, 2018

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

本文提出了一种新颖的机器学习方法，利用量子矩阵乘积态（MPS）表示图像，将量子纠缠特性（如单体位和双体纠缠）作为图像数据重要性的内在指标。通过在这些量子结构化表示上应用经典学习算法，该方法展示了如何利用纠缠特性，借助低维、计算高效的酉矩阵，提升分类性能。

ABSTRACT

It is a fundamental, but still elusive question whether methods based on quantum mechanics, in particular on quantum entanglement, can be used for classical information processing and machine learning. Even partial answer to this question would bring important insights to both fields of both machine learning and quantum mechanics. In this work, we implement simple numerical experiments, related to pattern/images classification, in which we represent the classifiers by quantum matrix product states (MPS). Classical machine learning algorithm is then applied to these quantum states. We explicitly show how quantum features (i.e., single-site and bipartite entanglement) can emerge in such represented images; entanglement characterizes here the importance of data, and this information can be practically used to improve the learning procedures. Thanks to the low demands on the dimensions and number of the unitary matrices, necessary to construct the MPS, we expect such numerical experiments could open new paths in classical machine learning, and shed at same time lights on generic quantum simulations/computations.

研究动机与目标

• 探究是否可以利用量子纠缠特征实现经典图像分类。
• 探索将矩阵乘积态（MPS）作为机器学习中经典数据表示的可行性。
• 确定纠缠度量是否可作为学习任务中数据重要性的有意义指标。
• 评估在低维设置下基于MPS的分类器的计算效率。

提出的方法

• 将图像表示为量子矩阵乘积态（MPS），将像素数据编码为张量网络结构。
• 使用单体位和双体纠缠度量作为特征，评估图像表示中数据的重要性。
• 对MPS编码的数据应用经典机器学习算法，实现模式与图像分类。
• 使用低维酉矩阵构建MPS，以最小化计算开销。
• 通过图像分类任务的数值实验训练并评估分类器。
• 分析纠缠结构与分类性能及数据相关性之间的关系。

实验结果

研究问题

• RQ1 从矩阵乘积态中提取的量子纠缠特征是否能提升经典图像分类性能？
• RQ2 单体位和双体纠缠度量与学习过程中图像数据重要性之间有何关系？
• RQ3 低维MPS表示在多大程度上能保持分类准确性？
• RQ4 经典学习算法能否有效利用量子启发的张量网络结构？
• RQ5 将纠缠特征集成到经典学习流程中的计算成本是多少？

主要发现

• 纠缠特征——尤其是双体纠缠——能有效捕捉图像数据的结构重要性，提升学习的相关性。
• 该方法仅使用低维酉矩阵即实现了实用的分类性能，表明其计算上的可行性。
• 单体位和双体纠缠可作为图像表示中数据显著性的可测量指标。
• 将量子启发特征集成到经典学习流程中，可提升学习效率和数据利用率。
• 数值实验证实，基于MPS的表示可使用标准经典算法有效训练。
• 该方法在量子信息概念与经典机器学习之间架起桥梁，为混合模型提供了新路径。