[论文解读] Multiclass classification using quantum convolutional neural networks with hybrid quantum-classical learning

Denis Bokhan, Alena S. Mastiukova+3 more|arXiv (Cornell University)|Mar 29, 2022

Quantum Computing Algorithms and Architecture被引用 6

一句话总结

本文提出了一种基于量子卷积神经网络（QCNN）的混合量子-经典多类分类模型，引入了一种新型量子感知器与优化的电路设计。通过TensorFlow Quantum实现，该方法在4类MNIST任务中实现了85.14%的准确率，使用8个数据量子比特和4个辅助量子比特，其性能与经典CNN相当，且参数数量相近，首次实现了4类QCNN在该准确率水平上的演示。

ABSTRACT

Multiclass classification is of great interest for various applications, for example, it is a common task in computer vision, where one needs to categorize an image into three or more classes. Here we propose a quantum machine learning approach based on quantum convolutional neural networks for solving the multiclass classification problem. The corresponding learning procedure is implemented via TensorFlowQuantum as a hybrid quantum-classical (variational) model, where quantum output results are fed to the softmax activation function with the subsequent minimization of the cross entropy loss via optimizing the parameters of the quantum circuit. Our conceptional improvements here include a new model for a quantum perceptron and an optimized structure of the quantum circuit. We use the proposed approach to solve a 4-class classification problem for the case of the MNIST dataset using eight qubits for data encoding and four ancilla qubits; previous results have been obtained for 3-class classification problems. Our results show that accuracies of our solution are similar to classical convolutional neural networks with comparable numbers of trainable parameters. We expect that our finding provide a new step towards the use of quantum neural networks for solving relevant problems in the NISQ era and beyond.

研究动机与目标

• 开发一种可扩展的量子机器学习框架，用于基于变分量子电路的多类分类。
• 将现有量子卷积神经网络架构扩展至支持四类或更多类别，突破以往仅限于三类问题的局限。
• 通过新型量子感知器模型与优化的纠缠结构，提升量子电路的效率与表达能力。
• 通过与参数数量相近的经典CNN进行比较，评估在多类图像分类中实现量子优势的潜力。

提出的方法

• 采用TensorFlow Quantum实现混合量子-经典变分模型，其中量子电路通过交叉熵损失的梯度下降进行训练。
• 输入数据通过振幅编码方式编码至8个量子比特，额外使用4个辅助量子比特仅用于测量读出。
• 提出一种新型量子感知器模型，以参数化纠缠门替代标准单量子比特旋转，以增强表达能力。
• 量子电路结构模仿经典CNN，包含卷积滤波、池化与全连接层，同时通过量子比特缩减匹配输出类别数。
• 使用经典优化器对参数进行优化，以最小化交叉熵损失，量子输出经Softmax激活函数用于多类预测。
• 电路设计在计算过程中避免辅助量子比特与数据量子比特之间的纠缠，从而降低硬件复杂度。

实验结果

研究问题

• RQ1 能否有效将量子卷积神经网络架构扩展至支持多类图像分类中的四类或更多类别？
• RQ2 与标准参数化量子电路相比，所提出的量子感知器模型在多类设置下是否能提升分类准确率？
• RQ3 当使用相似数量的可训练参数时，QCNN在多类分类中的性能在多大程度上可与经典CNN相媲美？
• RQ4 参数化纠缠与优化的电路拓扑结构在多类量子分类器性能方面产生了何种影响？
• RQ5 仅用于测量操作的辅助量子比特是否能在不降低模型准确率的前提下减轻硬件约束？

主要发现

• 所提出的QCNN在4类MNIST数字分类任务中实现了85.14%的准确率，证明了超越三类问题的多类量子分类可行性。
• 与类似Chalumuri等人（2021）的基线QCNN相比，准确率提升了13.7个百分点，表明新型量子感知器与电路设计具有显著影响。
• QCNN的准确率（85.14%）与参数量为188的经典CNN（准确率94.25%）相当，表明在当前NISQ限制下仍具备竞争力。
• 采用参数化纠缠与受CNN启发的电路结构，显著提升了分类准确率，优于简单电路设计。
• 结果表明，辅助量子比特可在计算过程中不与数据量子比特纠缠的前提下有效用于测量，从而简化硬件要求。
• 本工作首次成功实现了基于QCNN的4类量子多类分类器，在相似参数数量下性能与经典模型相当。