[论文解读] Quantum Neural Networks: A Comparative Analysis and Noise Robustness Evaluation

Tasnim Ahmed, Muhammad Kashif+2 more|ArXiv.org|Jan 24, 2025

Neural Networks and Applications被引用 3

一句话总结

本文比较 QuanNN、QCNN 和 QTL HQNN 在 MNIST 图像分类上的性能，并分析它们对多种量子噪声通道的鲁棒性，结果总体上 QuanNN 最为鲁棒。

ABSTRACT

In current noisy intermediate-scale quantum (NISQ) devices, hybrid quantum neural networks (HQNNs) offer a promising solution, combining the strengths of classical machine learning with quantum computing capabilities. However, the performance of these networks can be significantly affected by the quantum noise inherent in NISQ devices. In this paper, we conduct an extensive comparative analysis of various HQNN algorithms, namely Quantum Convolution Neural Network (QCNN), Quanvolutional Neural Network (QuanNN), and Quantum Transfer Learning (QTL), for image classification tasks. We evaluate the performance of each algorithm across quantum circuits with different entangling structures, variations in layer count, and optimal placement in the architecture. Subsequently, we select the highest-performing architectures and assess their robustness against noise influence by introducing quantum gate noise through Phase Flip, Bit Flip, Phase Damping, Amplitude Damping, and the Depolarizing Channel. Our results reveal that the top-performing models exhibit varying resilience to different noise gates. However, in most scenarios, the QuanNN demonstrates greater robustness across various quantum noise channels, consistently outperforming other models. This highlights the importance of tailoring model selection to specific noise environments in NISQ devices.

研究动机与目标

• 在无噪声条件下评估三种 HQNN 模型（QuanNN、QCNN、QTL）在图像分类中的性能
• 研究电路结构（纠缠类型、层深与布局）如何影响 HQNN 的性能
• 识别在不同噪声通道下对量子噪声最具鲁棒性的架构
• 基于噪声环境为 NISQ 设备提供 HQNN 设计选择的指导

提出的方法

• 实现并比较三种 HQNN 变体（QuanNN、QCNN、QTL），使用 4 量子比特 VQC，深度范围为 1–6
• 改变纠缠电路类型（弱、基本、强）并观察性能影响
• 使用 MNIST 子集（类别 0–3）以匹配比特数并实现多类分类
• 筛选在无噪声条件下达到 ≥80% 准确率的最佳配置用于后续噪声鲁棒性测试
• 在 VQC 末端引入量子噪声门（位翻转、相位翻转、相位阻尼、振幅阻尼、去极化通道），在概率 0.1–1.0 范围内
• 在有噪声和理想条件下评估训练与验证准确率
• 报告鲁棒性差异以指导噪声环境下的架构选择

Figure 1: Motivational Case study. (a)Two different variant of HQNN (QCNN and QuanNN) yields different performance with the same underlying architecture of quantum layers (b) Different effects of Bit Flip noise on the performance of QCNN and QuanNN highlight unique noise sensitivities of different H

实验结果

研究问题

• RQ1 哪种 HQNN 架构（QuanNN、QCNN、QTL）在不同 VQC 配置下实现最佳无噪声多类别分类性能？
• RQ2 在理想条件下，不同纠缠级别和层深对每个 HQNN 的性能影响如何？
• RQ3 对最具代表性的 HQNN 架构，在不同量子噪声通道和噪声水平下的鲁棒性如何？
• RQ4 哪些架构在多种噪声类型（位翻转、相位翻转、相位阻尼、振幅阻尼、去极化通道）下表现出最一致的鲁棒性？

主要发现

• 在无噪声多类别分类的测试配置中，QuanNN 通常优于 QCNN 和 QTL
• QCNN 的性能高度依赖纠缠度和层深，呈现非单调性
• QTL 始终表现不佳，无论配置如何准确率约为 20%，不利于所测试的任务
• 在有噪声时，QuanNN 在多条通道上显示更强的鲁棒性，而 QCNN 的鲁棒性高度依赖通道
• 振幅阻尼与去极化噪声对 QCNN 展现出不同的容忍模式，噪声概率增加时呈现阈值样降解
• 在极低的位翻转概率下，QCNN 可能出现“噪声辅助学习”的现象，但泛化与理想情况相近；更高的噪声会降低学习效果
• 用于进一步噪声分析的最优配置：强纠缠的 QCNN 3 层 VQC；带有基础纠缠的 QuanNN 3 层 VQC

Figure 2: Architecture overview of Sslected HQNN algorithms. Each model utilizes a classical fully connected layer to transform quantum circuit measurement into classification probabilities. In the QCNN, classical convolutional and pooling layers are used for image downsizing to match the qubit coun