[论文解读] Projection Valued Measure-based Quantum Machine Learning for Multi-Class Classification

Won Joon Yun, Hankyul Baek+1 more|arXiv (Cornell University)|Oct 30, 2022

Quantum Computing Algorithms and Architecture被引用 9

一句话总结

该论文提出了一种基于投影值测度（PVM）的新型量子机器学习框架，用于多分类任务，充分利用了 $q$-量子比特系统 $2^q$-维的输出空间，克服了传统基于正算子值测度（POVM）的量子机器学习在可扩展性方面的限制。通过利用PVM扩展输出容量并引入概率振幅正则化项，该框架在MNIST和EMNIST-letters等数据集上实现了比最先进方法高42.2%的性能表现，且仅使用不超过6个量子比特。

ABSTRACT

In recent years, quantum machine learning (QML) has been actively used for various tasks, e.g., classification, reinforcement learning, and adversarial learning. However, these QML studies are unable to carry out complex tasks due to scalability issues on input and output which is currently the biggest hurdle in QML. Therefore, the purpose of this paper is to overcome the problem of scalability. Motivated by this challenge, we focus on projection-valued measurements (PVM) which utilize the nature of probability amplitude in quantum statistical mechanics. By leveraging PVM, the output dimension is expanded from $q$, which is the number of qubits, to $2^q$. We propose a novel QML framework that utilizes PVM for multi-class classification. Our framework is proven to outperform the state-of-the-art (SOTA) methodologies with various datasets, assuming no more than 6 qubits are used. Furthermore, our PVM-based QML shows about $42.2\%$ better performance than the SOTA framework.

研究动机与目标

• 解决量子机器学习（QML）在多分类任务中因输出维度受限而产生的可扩展性瓶颈，特别是现有基于POVM的方法在输出维度上的局限性。
• 突破POVM-based QML系统中每个 $q$ 个量子比特最多只能产生 $q$ 个输出的限制，从而提升其在复杂分类任务中的适用性。
• 开发一种纯量子框架，消除最终分类层对经典神经网络的依赖，实现端到端的量子处理。
• 通过引入一种新型概率振幅正则化项，使量子测量结果与真实标签分布对齐，从而提升模型性能。
• 在小规模量子电路（≤6个量子比特）下，通过实验证明该框架在多分类图像识别任务中具备计算效率和准确率上的量子优势。

提出的方法

• 采用投影值测度（PVM）而非正算子值测度（POVM），从 $q$-量子比特系统中提取 $2^q$ 个可观测量，显著提升输出维度，突破传统方法中输出维度不超过 $q$ 的限制。
• 设计一种基于PVM的量子神经网络（QNN）架构，用于多分类任务，实现对希尔伯特空间维度 $2^q$ 的完全利用。
• 采用基于量子卷积神经网络（QCNN）的量子电路架构，从经典图像数据中提取特征。
• 应用概率振幅正则化项 ($\mathcal{L}_{\text{PAR}}$)，对预测类别的概率振幅进行归一化，使其与真实的一对一标签分布对齐。
• 使用Adam优化器，固定初始学习率为 $8 \times 10^{-3}$，批量大小为1024，通过优化交叉熵损失函数并结合正则化项进行模型训练。
• 使用 torchquantum 库对量子电路进行经典仿真，实现在标准硬件上的训练与评估。

实验结果

研究问题

• RQ1 基于PVM的量子测量是否能够在不依赖经典神经网络的前提下，实现QML中可扩展的多分类任务？
• RQ2 在分类能力与准确率方面，$q$-量子比特系统在PVM下的输出维度与POVM相比有何差异？
• RQ3 所提出的概率振幅正则化项在多大程度上提升了预测标签分布与真实标签分布之间的对齐程度？
• RQ4 在仅使用4至6个量子比特的情况下，基于PVM的QML框架是否能够超越当前最先进的量子与经典模型在多分类图像识别任务中的表现？
• RQ5 输入尺寸与类别数量对基于PVM的纯量子分类框架性能有何影响？

主要发现

• 在MNIST数据集上，所提出的PVM-based QML框架在仅使用4个量子比特的情况下，相比QuantumNAS（使用10个量子比特）实现了44.2%的top-1准确率提升。
• 在包含26个类别的EMNIST-letters数据集中，该框架实现了33.1%的测试准确率，证明了其在更大输出空间中的可行性。
• 消融实验表明，概率振幅正则化项在EMNIST-letters上将top-1准确率提升了17.8%，在CIFAR10上提升了7.5%，显示出显著的性能增益。
• 在MNIST上，模型收敛至74.2%的测试准确率；在FashionMNIST上达到73.8%，训练集与测试集之间的域差距小于6%。
• 该框架仅使用6个量子比特即可成功实现最多26个类别的多分类任务，证明其在二分类或小类别任务之外具备可扩展性。
• PVM-based模型的计算复杂度被证明优于经典神经网络，表明其在特定任务中具备实现量子优势的潜力。