[论文解读] Quantum image classifier with single photons

Kunkun Wang, Lei Xiao+3 more|arXiv (Cornell University)|Mar 19, 2020

Quantum Computing Algorithms and Architecture参考文献 40被引用 9

一句话总结

本文展示了一种基于单光子干涉仪的量子图像分类器，利用张量网络和矩阵乘积态高效编码并处理量子特征空间。该方法实现了对真实手绘图像的高精度分类，建立了一个可扩展、平台无关的近场量子机器学习框架。

ABSTRACT

Machine learning, with promising applications in quantum computation, has been introduced to a variety of quantum mechanical platforms, where its interplay with quantum physics offers exciting prospects toward quantum advantages. A central difficulty, however, lies in the access and control of the large Hilbert space required by quantum machine learning protocols, through the limited number of noisy qubits available to near-term quantum devices. Whereas it is recognized that a viable solution lies in the design of quantum algorithms that incorporates quantum entanglement and interference, a demonstration of quantum machine learning protocols capable of solving practical tasks is still lacking. Here we report the classification of real-life, hand-drawn images on a quantum mechanical platform of single photons. Adopting a tensor-network-based machine learning algorithm with an entanglement-guided optimization, we achieve an efficient representation of the quantum feature space using matrix product states. This allows us to demonstrate image classification with a high success rate using single-photon interferometry networks. Our experiment establishes a general and scalable framework for quantum machine learning, which is readily accessible on other physical platforms.

研究动机与目标

• 解决近场量子设备在有限噪声量子比特下访问大希尔伯特空间的挑战。
• 开发一种在当前光子硬件限制下高效运行的可扩展量子机器学习框架。
• 通过真实世界的手绘图像，演示一项实用的量子机器学习任务——图像分类。
• 通过量子纠缠引导的优化和矩阵乘积态，实现高效的量子特征空间表示。
• 建立一个通用的、平台无关的量子机器学习框架，可超越光子系统应用。

提出的方法

• 采用基于张量网络的机器学习算法，以减少资源开销的方式表示量子特征。
• 利用矩阵乘积态（MPS）高效编码量子特征空间，降低量子比特需求。
• 实施纠缠引导的优化，以增强量子态表示的表达能力和精度。
• 设计单光子干涉仪网络，在光子平台上物理实现量子线路。
• 通过与光子量子比特兼容的特征编码方案，将手绘图像映射为量子态。
• 通过酉演化和测量，利用量子干涉和纠缠实现分类。

实验结果

研究问题

• RQ1 基于单光子的量子机器学习模型能否以高精度对真实生活中的手绘图像进行分类？
• RQ2 在资源受限的环境下，如何利用矩阵乘积态高效表示量子特征空间？
• RQ3 纠缠引导的优化在近场量子设备中在多大程度上提升了分类性能？
• RQ4 能否仅使用单光子在光子平台上实现可扩展且通用的量子机器学习框架？
• RQ5 在当前硬件限制下，实现实际图像分类任务中的量子优势是否可行？

主要发现

• 所提出的方法仅通过单光子干涉仪网络即实现了对真实手绘图像的高精度分类。
• 矩阵乘积态实现了对量子特征空间的高效表示，显著降低了所需的希尔伯特空间维数。
• 纠缠引导的优化增强了模型区分图像类别的能力，提升了分类保真度。
• 该框架展示了可扩展性和适应性，适用于在多种物理量子平台上实现。
• 实验验证了在近场量子设备上，使用有限量子比特执行实用量子机器学习任务的可行性。
• 结果为未来通过通用且易访问的架构实现量子机器学习优势奠定了基础。