[论文解读] Quanvolutional Neural Networks: Powering Image Recognition with Quantum Circuits

M. Todd Henderson, Samriddhi Shakya+2 more|arXiv (Cornell University)|Apr 9, 2019

Quantum Computing Algorithms and Architecture被引用 12

一句话总结

本文提出量子卷积神经网络（QNNs），一种混合量子-经典架构，用量子电路替代传统卷积层，以从图像数据中提取特征。实验结果表明，QNNs 在 MNIST 数据集上实现了超过 95% 的测试准确率，并且训练速度优于经典 CNNs，但尚未展示出相对于经典随机非线性变换的量子优势。

ABSTRACT

Convolutional neural networks (CNNs) have rapidly risen in popularity for many machine learning applications, particularly in the field of image recognition. Much of the benefit generated from these networks comes from their ability to extract features from the data in a hierarchical manner. These features are extracted using various transformational layers, notably the convolutional layer which gives the model its name. In this work, we introduce a new type of transformational layer called a quantum convolution, or quanvolutional layer. Quanvolutional layers operate on input data by locally transforming the data using a number of random quantum circuits, in a way that is similar to the transformations performed by random convolutional filter layers. Provided these quantum transformations produce meaningful features for classification purposes, then the overall algorithm could be quite useful for near term quantum computing, because it requires small quantum circuits with little to no error correction. In this work, we empirically evaluated the potential benefit of these quantum transformations by comparing three types of models built on the MNIST dataset: CNNs, quantum convolutional neural networks (QNNs), and CNNs with additional non-linearities introduced. Our results showed that the QNN models had both higher test set accuracy as well as faster training compared to the purely classical CNNs.

研究动机与目标

• 通过引入量子卷积层，探索将量子电路整合到深度学习中用于图像识别的可行性。
• 评估量子变换是否能在混合量子-经典神经网络框架中提升分类性能。
• 评估在近期含噪声的中等规模量子（NISQ）设备上用于机器学习应用的可行性。
• 确定量子卷积层是否相对于经典非线性变换具有性能优势。
• 研究量子特征在大规模下是否经典不可模拟，这是实现量子优势的先决条件。

提出的方法

• 用应用随机量子电路对局部图像块进行处理的量子卷积层，替代 CNN 中的标准卷积层。
• 使用浅层、抗错误的量子电路，量子比特数量较少（5–10 个），门深度较低，以保持与 NISQ 设备的兼容性。
• 在应用量子变换前，使用振幅编码或类似方法将经典图像数据编码为量子态。
• 使用反向传播训练完整 QNN，其中量子电路作为可微分的非线性特征提取器。
• 在 MNIST 数据集上，将 QNN 性能与标准 CNN 及使用经典随机非线性变换的模型进行比较。
• 以测试准确率和训练对数损失为主要指标，评估模型性能与收敛性。

实验结果

研究问题

• RQ1 通过随机量子电路实现的量子卷积层，是否能相比经典卷积层提升图像分类准确率？
• RQ2 在神经网络中使用量子变换是否能相比经典方法实现更快的训练收敛速度？
• RQ3 QNN 与使用随机非线性变换的经典模型之间是否存在可测量的性能差距，表明潜在的量子优势？
• RQ4 量子卷积层生成的特征在大规模下是否经典不可模拟，这是实现量子优势的必要条件？
• RQ5 量子卷积滤波器数量和电路深度如何影响模型性能与收敛性？

主要发现

• QNN 在 MNIST 测试集上实现了超过 95% 的准确率，表现出与标准深度 CNN 相当的强性能。
• QNN 模型的训练速度优于其经典 CNN 对应模型，表明量子特征提取可能带来潜在的效率提升。
• 在 QNN 与使用经典随机非线性变换的模型之间未观察到显著性能差异，表明在此设置下无明显量子优势。
• 增加量子卷积滤波器数量可提升准确率，直至达到饱和点，与经典 CNN 类似，且在 25–50 个滤波器以上时增益极小。
• 量子卷积层在神经网络堆叠中表现符合预期，随着滤波器数量和训练迭代次数的增加，性能持续稳定提升。
• 结果表明，尽管量子卷积层有效，但观察到的性能提升可能源于变换的非线性特性，而非其固有的量子效应。