[论文解读] QuClassi: A Hybrid Deep Neural Network Architecture based on Quantum State Fidelity

Samuel A. Stein, Betis Baheri+6 more|arXiv (Cornell University)|Mar 21, 2021

Quantum Computing Algorithms and Architecture参考文献 38被引用 16

一句话总结

QuClassi 提出了一种混合量子-经典深度神经网络架构，利用量子态保真度实现高效的二分类和多分类。通过使用更少的量子比特编码数据并利用量子微分函数进行优化，QuClassi 在多分类任务中相比 QuantumFlow 准确率最高提升 203.00%，与经典网络相比参数量减少 97.37%，在包括 IBM-Q 和 IonQ 平台在内的真实量子硬件上优于当前最先进量子模型。

ABSTRACT

In the past decade, remarkable progress has been achieved in deep learning related systems and applications. In the post Moore's Law era, however, the limit of semiconductor fabrication technology along with the increasing data size have slowed down the development of learning algorithms. In parallel, the fast development of quantum computing has pushed it to the new ear. Google illustrates quantum supremacy by completing a specific task (random sampling problem), in 200 seconds, which is impracticable for the largest classical computers. Due to the limitless potential, quantum based learning is an area of interest, in hopes that certain systems might offer a quantum speedup. In this work, we propose a novel architecture QuClassi, a quantum neural network for both binary and multi-class classification. Powered by a quantum differentiation function along with a hybrid quantum-classic design, QuClassi encodes the data with a reduced number of qubits and generates the quantum circuit, pushing it to the quantum platform for the best states, iteratively. We conduct intensive experiments on both the simulator and IBM-Q quantum platform. The evaluation results demonstrate that QuClassi is able to outperform the state-of-the-art quantum-based solutions, Tensorflow-Quantum and QuantumFlow by up to 53.75% and 203.00% for binary and multi-class classifications. When comparing to traditional deep neural networks, QuClassi achieves a comparable performance with 97.37% fewer parameters.

研究动机与目标

• 为解决现有量子机器学习模型在多分类任务中高量子比特和高参数量的需求问题。
• 开发一种可扩展的量子神经网络架构，在减少量子比特使用的同时保持高准确率并实现高效训练。
• 在真实量子处理器（包括 IBM-Q 和 IonQ）上展示优于当前最先进量子和经典模型的性能。
• 通过将量子态保真度整合到混合量子-经典框架中，探索在深度学习中实现量子加速的可行性。
• 提供一种可泛化的架构，使近场量子硬件能够实现 10 类数据集的高精度分类。

提出的方法

• QuClassi 采用混合量子-经典架构，将经典数据通过参数化量子线路以更少的量子比特编码为量子态。
• 模型利用量子微分函数计算梯度，并通过在量子硬件上进行反向传播来优化参数。
• 采用量子态保真度作为评估和优化量子态输出的指标，确保最优分类性能。
• 该架构在量子模拟器上迭代训练，随后通过 Microsoft Azure Quantum 部署到真实量子平台（包括 IBM-Q 和 IonQ）。
• 通过相应扩展量子线路结构和损失函数，该方法支持二分类和多分类。
• 实验每轮使用 8000 次测量以评估电路损失，并确保在噪声中等规模量子（NISQ）设备上的稳定性。

实验结果

研究问题

• RQ1 量子神经网络架构能否在显著减少量子比特和参数量的前提下，实现比经典模型更高的多分类准确率？
• RQ2 在混合量子-经典深度学习系统中，量子态保真度的使用在多大程度上提升了分类性能？
• RQ3 QuClassi 在真实量子硬件上相比 TensorFlow Quantum 和 QuantumFlow 等现有量子机器学习框架，性能提升程度如何？
• RQ4 硬件特定的噪声和拓扑结构对量子神经网络在实际部署中的性能有何影响？
• RQ5 基于近场量子设备，量子模型能否在复杂数据集（如 10 类 MNIST）上实现具有竞争力的准确率？

主要发现

• 在真实量子硬件和模拟器上，QuClassi 在二分类任务中的准确率相比 TensorFlow Quantum 最高提升 53.75%。
• 在多分类任务中，QuClassi 相比 QuantumFlow 实现了 203.00% 的性能提升，展现出在复杂任务中的优越性。
• 在 IBM-Q London 上，QuClassi 对 Iris 数据集实现了 96.15% 的准确率，与模拟结果高度接近，表现出对硬件噪声的强鲁棒性。
• 在 4 维 MNIST 数据集上，QuClassi-S 在 IBM-Q Rome 上实现了 95.98% 的准确率，仅比模拟结果低 0.2%，表明在真实部署中具有高保真度。
• IonQ 的离子阱平台在 3,6 配置下实现了 80.00% 的准确率，优于 IBM-Q Cairo（72.00%），归因于更低的电路深度且无需 SWAP 门。
• 与经典深度神经网络相比，QuClassi 将模型参数量最多减少 97.37% 同时保持相近性能，凸显其高效性。