[论文解读] Scalable Quantum Convolutional Neural Networks

Hankyul Baek, Won Joon Yun+1 more|arXiv (Cornell University)|Sep 26, 2022

Quantum Computing Algorithms and Architecture被引用 4

一句话总结

本文提出了一种可扩展的量子卷积神经网络（sQCNN），通过使用多种有限尺寸的滤波器并结合一种新颖的反向保真度训练（RF-Train）算法，克服了量子神经网络中的 barren plateaus 问题。通过利用量子态保真度来正则化特征多样性，sQCNN 在 MNIST 和 FMNIST 上的 top-1 准确率比原始训练的 QCNN 提高了 16%，展示了在增加滤波器数量时更高的可扩展性和性能。

ABSTRACT

With the beginning of the noisy intermediate-scale quantum (NISQ) era, quantum neural network (QNN) has recently emerged as a solution for the problems that classical neural networks cannot solve. Moreover, QCNN is attracting attention as the next generation of QNN because it can process high-dimensional vector input. However, due to the nature of quantum computing, it is difficult for the classical QCNN to extract a sufficient number of features. Motivated by this, we propose a new version of QCNN, named scalable quantum convolutional neural network (sQCNN). In addition, using the fidelity of QC, we propose an sQCNN training algorithm named reverse fidelity training (RF-Train) that maximizes the performance of sQCNN.

研究动机与目标

• 解决在每个滤波器中增加量子比特数量时，量子卷积神经网络（QCNN）中出现的 barren plateaus 问题。
• 通过使用多个有限尺寸的滤波器，在不增加每个滤波器的量子比特数量的前提下，实现在 QCNN 中的可扩展特征提取。
• 开发一种训练算法，利用量子保真度作为正则化项来增强特征多样性与模型性能。
• 通过实证验证 sQCNN 在标准视觉数据集上相对于传统 QCNN 的可扩展性和性能优势。

提出的方法

• 提出 sQCNN，一种使用多个有限尺寸的量子滤波器而非增加每个滤波器的量子比特数量的可扩展 QCNN 架构，以避免出现 barren plateaus。
• 设计一种基于不同滤波器输出态之间保真度的反向保真度（RF）正则化项，以最大化特征多样性。
• 将 RF 正则化项整合到总损失函数中，表示为 $\mathcal{L}_{total} = \mathcal{L}_{CE} + \lambda \mathcal{L}_{RF}$，其中 $\mathcal{L}_{RF}$ 最小化不同滤波器输出之间的相似性。
• 使用交叉熵损失 $\mathcal{L}_{CE}$ 进行分类，并将其与 RF 正则化项结合，联合优化准确率与特征多样性。
• 采用基于小批量的训练流程，并通过调节 $\lambda$ 控制保真度正则化的强度。
• 将该训练算法应用于 MNIST 和 FMNIST 数据集，以评估性能与可扩展性。

实验结果

研究问题

• RQ1 是否可以设计一种 QCNN 架构，在不增加每个滤波器的量子比特数量的前提下实现可扩展性，从而避免出现 barren plateaus？
• RQ2 在量子卷积网络中，使用量子态保真度作为正则化项是否能提升特征多样性与模型性能？
• RQ3 sQCNN 在标准视觉基准测试中的 top-1 准确率与原始训练的 QCNN 相比如何？
• RQ4 在 sQCNN 中增加滤波器数量是否能带来一致的性能提升，而传统 QCNN 则不能？

主要发现

• 在 MNIST 数据集上，使用 RF-Train 的 sQCNN 比未使用 RF-Train（$\lambda = 0$）的 sQCNN 实现了 16% 的 top-1 准确率提升。
• RF-Train 方法增加了提取特征之间的欧几里得距离，证实了特征多样性的增强。
• 随着滤波器数量的增加，sQCNN 保持了稳定的性能，展示了良好的可扩展性。
• 与 QCNN 相比，当每个滤波器的量子比特数从 8 增加到 16 时，QCNN 性能下降了 30%，而 sQCNN 则随着滤波器数量的增加持续提升性能。
• RF 正则化项有效降低了滤波器输出之间的相似性，表现为输出态之间保真度的下降。
• sQCNN 在 MNIST 和 FMNIST 两个数据集上均优于原始训练的 QCNN，尤其在 $\lambda$ 值较高时表现更优。