[论文解读] Quantum neural network autoencoder and classifier applied to an industrial case study

Stefano Mangini, Alessia Marruzzo+4 more|arXiv (Cornell University)|Jan 1, 2022

Quantum Computing Algorithms and Architecture参考文献 58被引用 26

一句话总结

本文提出了一种混合量子-经典流水线，结合变分量子自编码器与量子分类器，对埃尼石油厂水/油分离器中的真实工业数据进行压缩与分类。仅使用6个可训练参数，该量子流水线在模拟数据上实现87.4%的分类准确率，在真实IBM量子硬件上实现82.3%的准确率，与经典方法相当，证明了在实际工业数据上使用近期量子设备进行量子机器学习的可行性。

ABSTRACT

Quantum computing technologies are in the process of moving from academic research to real industrial applications, with the first hints of quantum advantage demonstrated in recent months. In these early practical uses of quantum computers it is relevant to develop algorithms that are useful for actual industrial processes. In this work we propose a quantum pipeline, comprising a quantum autoencoder followed by a quantum classifier, which are used to first compress and then label classical data coming from a separator, i.e., a machine used in one of Eni's Oil Treatment Plants. This work represents one of the first attempts to integrate quantum computing procedures in a real-case scenario of an industrial pipeline, in particular using actual data coming from physical machines, rather than pedagogical data from benchmark datasets.

研究动机与目标

• 展示将量子机器学习算法应用于实际运行设备中的工业数据（而非合成或基准数据集）的可行性。
• 评估变分量子自编码器是否能有效将来自真实工业分离器的高维经典数据压缩为低维量子潜在空间。
• 在二分类任务中，比较基于压缩量子数据训练的量子分类器与经典基线模型的性能。
• 验证该量子流水线在实际NISQ时代量子硬件上的鲁棒性，包括噪声和测量随机性的影响。
• 评估该量子方法在可训练参数数量上相较于经典模型的效率。

提出的方法

• 实现一个变分量子自编码器（VQA），采用参数化量子线路，将4维经典输入数据（油位、流量、压力、阀门开度）压缩为2维潜在量子态。
• 使用幅值编码将经典数据通过单量子比特旋转加载到量子态中，实现输入特征的非线性编码。
• 使用混合量子-经典优化循环训练量子自编码器，最小化原始量子态与解码后量子态之间的重构误差。
• 使用量子保真度和平均重构误差（¯e ≈ 5%）评估性能，以验证压缩质量。
• 在潜在量子态上训练一个量子分类器（变分量子线路），基于KMeans聚类标签执行二分类。
• 在理想量子模拟和真实IBM量子硬件（ibmqx2）上测试完整流水线，每个电路使用1024次测量，并对多次执行结果取平均。

实验结果

研究问题

• RQ1 变分量子自编码器能否在性能与经典自编码器相当的前提下，有效将真实物理分离器的工业数据压缩为低维量子潜在空间？
• RQ2 在真实工业数据上应用时，基于压缩量子态训练的量子分类器是否能达到与经典模型相当的分类准确率？
• RQ3 该量子流水线在近期量子硬件的噪声和测量随机性下表现如何？
• RQ4 该量子流水线是否能以显著更少的可训练参数（6 vs. 16）实现与经典模型相当的性能？
• RQ5 当应用于真实世界工业数据时，该量子机器学习流水线是否在当前可用的NISQ设备上具备可行性和可执行性？

主要发现

• 量子自编码器实现了约5%的平均重构误差，性能与经典自编码器相当。
• 原始状态与解码状态之间的量子保真度保持较高水平，证实了在量子域中有效压缩并恢复了输入数据。
• 在模拟环境中，量子分类器在1,000个样本的测试集上实现了87.4%的分类准确率，与在归一化数据上表现的古典KNN分类器（89.7%）相当。
• 在真实IBM量子硬件（ibmqx2）上，量子分类器实现了82.3%的准确率，标准偏差为±1.3%，表明对硬件噪声和测量误差具有鲁棒性。
• 该量子流水线仅需6个可训练参数，远少于经典模型的16个，表明在NISQ设备上具有更高的参数效率。
• 结果证实，量子机器学习流水线可成功部署于真实工业数据，并利用当前量子硬件实现，标志着向可扩展工业量子应用迈出基础性一步。