[论文解读] Quantum artificial vision for defect detection in manufacturing

Daniel Guijo, Victor Onofre+8 more|arXiv (Cornell University)|Aug 9, 2022

Integrated Circuits and Semiconductor Failure Analysis被引用 4

一句话总结

本论文提出并基准测试了两种量子机器学习方法——基于门模型的量子支持向量机（QSVM）和基于量子退火器的QBoost——用于使用GDXray+数据集进行汽车制造中的缺陷检测。结果表明，两种量子方法在精确度方面均优于经典方法，且QBoost可在当前的NISQ设备上实现工业相关规模的问题，而无需大量预处理。

ABSTRACT

In this paper we consider several algorithms for quantum computer vision using Noisy Intermediate-Scale Quantum (NISQ) devices, and benchmark them for a real problem against their classical counterparts. Specifically, we consider two approaches: a quantum Support Vector Machine (QSVM) on a universal gate-based quantum computer, and QBoost on a quantum annealer. The quantum vision systems are benchmarked for an unbalanced dataset of images where the aim is to detect defects in manufactured car pieces. We see that the quantum algorithms outperform their classical counterparts in several ways, with QBoost allowing for larger problems to be analyzed with present-day quantum annealers. Data preprocessing, including dimensionality reduction and contrast enhancement, is also discussed, as well as hyperparameter tuning in QBoost. To the best of our knowledge, this is the first implementation of quantum computer vision systems for a problem of industrial relevance in a manufacturing production line.

研究动机与目标

• 评估量子机器学习在制造业工业缺陷检测中的可行性。
• 在真实世界、非平衡的图像数据上，将量子算法（QSVM与QBoost）与经典方法进行比较。
• 在包括降维与超参数调优在内的实际约束条件下，评估量子视觉系统的性能。
• 探索使用当前NISQ硬件对量子训练模型在工业环境中的实际可部署性。
• 确定是否可在当今的噪声量子设备上实现精确度与推理效率方面的量子优势。

提出的方法

• 在通用门模型量子计算机上应用量子支持向量机（QSVM），对汽车零部件的缺陷与非缺陷图像进行二分类。
• 在D-Wave量子退火器上应用QBoost——一种量子增强的提升算法——利用弱分类器和量子退火进行优化，训练分类器。
• 通过主成分分析（PCA）和对比度增强对图像进行预处理，以提高信噪比并降低计算负载。
• 对QBoost的超参数进行调优，包括正则化强度和初始弱分类器数量（决策树分类器），以在性能与推理速度之间取得平衡。
• 使用经典基线模型（SVM、AdaBoost）在相同数据集和预处理流程上进行直接比较。
• 采用标准指标评估模型：精确度、召回率、F1分数以及每张图像的推理时间。

实验结果

研究问题

• RQ1 量子机器学习算法能否在制造业缺陷检测中实现高于经典模型的分类精确度？
• RQ2 QSVM与QBoost等量子算法在非平衡、真实工业图像数据上，相较于经典SVM与AdaBoost，其性能提升程度如何？
• RQ3 降维与对比度增强对NISQ设备上量子视觉系统的性能有何影响？
• RQ4 QBoost训练的模型在量子训练后能否在经典硬件上高效部署，从而实现实际工业应用？
• RQ5 在正则化强度与弱分类器数量等超参数变化下，QBoost的推理时间与模型性能之间的权衡关系如何？

主要发现

• 在D-Wave量子退火器上运行的QBoost算法在精确度上优于经典AdaBoost，最佳F1分数达到0.94，使用50个初始弱分类器和正则化参数0。
• 即使在激进的降维处理（PCA）后，QBoost仍保持高性能，表明其对数据压缩具有强鲁棒性。
• QBoost的推理时间在超参数变化下保持稳定，平均每张图像为2.94毫秒，尽管弱分类器数量增加，也未出现显著增长。
• 在量子硬件上训练的QBoost模型可被部署并执行于经典系统，从而实现无需完整量子基础设施的工业实际部署。
• QSVM表现出较强性能，但其训练与推理均需完整量子执行，相较于QBoost，当前部署可行性较低。
• 据作者所知，本研究首次在真实制造数据上实现了面向工业相关缺陷检测任务的量子计算机视觉应用。