A Scalable Quantum Non-local Neural Network for Image Classification

要約

非ローカル演算はコンピュータ ビジョンにおいて重要な役割を果たし、入力全体にわたる特徴の加重和を通じて長距離の依存関係をキャプチャできるようになり、ローカル近傍のみに焦点を当てた従来の畳み込み演算の制約を超えます。
非ローカル操作では通常、セット内のすべての要素間のペアごとの関係を計算する必要があり、時間とメモリの点で 2 次の複雑さが生じます。
計算量とメモリの要求が高いため、非ローカル ニューラル ネットワークを大規模な問題に拡張するのは困難な場合があります。
この記事では、パターン認識を強化するために、量子非ローカル ニューラル ネットワーク (QNL-Net) と呼ばれる、量子と古典のハイブリッドのスケーラブルな非ローカル ニューラル ネットワークを紹介します。
提案された QNL-Net は、固有の量子並列処理に依存して、多数の入力特徴の同時処理を可能にし、量子強化特徴空間でのより効率的な計算を可能にし、量子もつれによるペアごとの関係を関与させます。
データセット MNIST および CIFAR-10 を使用して、提案した QNL-Net を他の量子対応物と比較してバイナリ分類のベンチマークを行います。
シミュレーション結果は、当社の QNL-Net が、より少ない量子ビットを使用しながら、量子分類器間のバイナリ画像分類において最先端の精度レベルを達成していることを示しています。

要約(オリジナル)

Non-local operations play a crucial role in computer vision enabling the capture of long-range dependencies through weighted sums of features across the input, surpassing the constraints of traditional convolution operations that focus solely on local neighborhoods. Non-local operations typically require computing pairwise relationships between all elements in a set, leading to quadratic complexity in terms of time and memory. Due to the high computational and memory demands, scaling non-local neural networks to large-scale problems can be challenging. This article introduces a hybrid quantum-classical scalable non-local neural network, referred to as Quantum Non-Local Neural Network (QNL-Net), to enhance pattern recognition. The proposed QNL-Net relies on inherent quantum parallelism to allow the simultaneous processing of a large number of input features enabling more efficient computations in quantum-enhanced feature space and involving pairwise relationships through quantum entanglement. We benchmark our proposed QNL-Net with other quantum counterparts to binary classification with datasets MNIST and CIFAR-10. The simulation findings showcase our QNL-Net achieves cutting-edge accuracy levels in binary image classification among quantum classifiers while utilizing fewer qubits.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google