Quantum machine learning for image classification

要約

複数の業界で極めて重要なタスクである画像分類は、視覚データの量が急増しているため、計算上の課題に直面しています。
この研究では、効果的な計算のために量子力学の原理を活用する 2 つの量子機械学習モデルを導入することで、これらの課題に対処します。
私たちの最初のモデルである並列量子回路を備えたハイブリッド量子ニューラル ネットワークは、大量の量子ビットを備えた回路が現在実行不可能である、ノイズの多い中規模量子時代でも計算の実行を可能にします。
このモデルは、MNIST データセット全体で 99.21% という記録破りの分類精度を示し、既知の量子古典モデルのパフォーマンスを上回りましたが、古典的な対応モデルよりもパラメータが 8 分の 1 でした。
また、このハイブリッド モデルを医療用 MNIST (分類精度 99% 以上) および CIFAR-10 (分類精度 82% 以上) でテストした結果は、モデルの一般化可能性の証拠として役立ち、量子の効率を強調することができます。
入力データの共通の特徴を区別する際のレイヤー。
2 番目のモデルでは、Quanvolutional 層を備えたハイブリッド量子ニューラル ネットワークが導入され、畳み込みプロセスを通じて画像解像度が低下します。
このモデルは、トレーニング可能なパラメーターが 4 分の 1 であり、古典的なモデルのパフォーマンスと同等であり、同じ重みパラメーターを持つ古典的なモデルよりも優れたパフォーマンスを示します。
これらのモデルは、量子機械学習研究の進歩を表し、より正確な画像分類システムへの道を明らかにします。

要約(オリジナル)

Image classification, a pivotal task in multiple industries, faces computational challenges due to the burgeoning volume of visual data. This research addresses these challenges by introducing two quantum machine learning models that leverage the principles of quantum mechanics for effective computations. Our first model, a hybrid quantum neural network with parallel quantum circuits, enables the execution of computations even in the noisy intermediate-scale quantum era, where circuits with a large number of qubits are currently infeasible. This model demonstrated a record-breaking classification accuracy of 99.21% on the full MNIST dataset, surpassing the performance of known quantum-classical models, while having eight times fewer parameters than its classical counterpart. Also, the results of testing this hybrid model on a Medical MNIST (classification accuracy over 99%), and on CIFAR-10 (classification accuracy over 82%), can serve as evidence of the generalizability of the model and highlights the efficiency of quantum layers in distinguishing common features of input data. Our second model introduces a hybrid quantum neural network with a Quanvolutional layer, reducing image resolution via a convolution process. The model matches the performance of its classical counterpart, having four times fewer trainable parameters, and outperforms a classical model with equal weight parameters. These models represent advancements in quantum machine learning research and illuminate the path towards more accurate image classification systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google