[论文解读] Scalable Quantum Neural Networks for Classification

Jindi Wu, Zeyi Tao+1 more|arXiv (Cornell University)|Aug 4, 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神经网络（SQNN），通过将数据处理分布在多个小型量子设备上，以克服当前量子机器学习中硬件资源的限制。通过使用并行的量子特征提取器和一个中心化的量子预测器，SQNN在保持与标准QNN相当的准确率的同时，能够随着更多量子资源的增加而有效扩展，展现出在增加量子比特容量时显著的性能提升。

ABSTRACT

Many recent machine learning tasks resort to quantum computing to improve classification accuracy and training efficiency by taking advantage of quantum mechanics, known as quantum machine learning (QML). The variational quantum circuit (VQC) is frequently utilized to build a quantum neural network (QNN), which is a counterpart to the conventional neural network. Due to hardware limitations, however, current quantum devices only allow one to use few qubits to represent data and perform simple quantum computations. The limited quantum resource on a single quantum device degrades the data usage and limits the scale of the quantum circuits, preventing quantum advantage to some extent. To alleviate this constraint, we propose an approach to implementing a scalable quantum neural network (SQNN) by utilizing the quantum resource of multiple small-size quantum devices cooperatively. In an SQNN system, several quantum devices are used as quantum feature extractors, extracting local features from an input instance in parallel, and a quantum device works as a quantum predictor, performing prediction over the local features collected through classical communication channels. The quantum feature extractors in the SQNN system are independent of each other, so one can flexibly use quantum devices of varying sizes, with larger quantum devices extracting more local features. Especially, the SQNN can be performed on a single quantum device in a modular fashion. Our work is exploratory and carried out on a quantum system simulator using the TensorFlow Quantum library. The evaluation conducts a binary classification on the MNIST dataset. It shows that the SQNN model achieves a comparable classification accuracy to a regular QNN model of the same scale. Furthermore, it demonstrates that the SQNN model with more quantum resources can significantly improve classification accuracy.

研究动机与目标

• 解决由于噪声中等规模量子（NISQ）设备中量子比特数量和连通性有限，导致当前量子神经网络存在的可扩展性瓶颈。
• 克服量子编码方法中数据表征能力与硬件可行性之间的权衡。
• 在无需单个大规模量子处理器的前提下，实现大规模量子机器学习。
• 设计一种分布式量子架构，在最小化经典计算开销的同时保持量子优势。
• 证明模块化、协作式的量子设备能够对高维数据（如MNIST）进行准确分类。

提出的方法

• 将高维输入数据划分为多个部分，以适配单个小型量子设备的容量。
• 使用独立的量子设备作为量子特征提取器，每个设备在其分配的数据部分上应用变分量子线路（VQCs）以提取局部特征。
• 通过经典通信通道将提取的量子特征从特征提取器传输到中心化的量子预测器。
• 使用单个量子设备作为量子预测器，基于合并的局部特征执行最终分类。
• 以模块化方式实现SQNN架构，允许单个量子设备托管整个网络。
• 使用混合量子-经典优化循环进行模型训练，其中参数更新通过随机梯度下降（SGD）在经典计算中完成。

实验结果

研究问题

• RQ1 由多个小型量子设备组成的分布式量子架构能否有效模拟大规模量子神经网络？
• RQ2 SQNN的分类准确率与使用相同总量子资源的标准QNN相比如何？
• RQ3 随着更多量子资源的增加，SQNN的性能可扩展到何种程度？
• RQ4 SQNN能否以模块化、可扩展的方式在单个量子设备上实现？
• RQ5 SQNN方法是否避免了需要经典预处理或特征降维技术，从而防止削弱量子优势？

主要发现

• 在MNIST数据集上评估时，SQNN模型的分类准确率与同等规模的标准QNN相当。
• 在整个系统中增加使用的总量子比特数，可显著且可测量地提升分类准确率。
• SQNN框架即使在单个设备资源受限的情况下，也能实现大规模量子神经网络的训练。
• 模块化设计使得单个小规模量子设备能够托管整个SQNN架构，从而在现有硬件上实现可扩展性。
• 该方法避免了额外的经典计算用于数据预处理，从而保留了潜在的量子加速优势。
• 即使在模拟环境中，系统也通过多个量子设备的协同使用，展示了可行性与性能提升。