Benchmarking MedMNIST dataset on real quantum hardware

要約

量子機械学習（QML）は、量子システムの計算機能を活用して複雑な分類タスクを解決する有望なドメインとして浮上しています。
この作業では、実用的な量子モデル（古典的なニューラルネットワークなし）の実現可能性とパフォーマンスを評価するために、MedMnist-Quit Real IBM Quantum Hardwareの医療画像データセットの多様なコレクションをベンチマークすることにより、最初の包括的なQML研究を提示します。
アプリケーション。
この研究では、デバイス認識量子回路、エラー抑制、医療画像分類のための緩和などの量子コンピューティングの最近の進歩を調査します。
私たちの方法論は、3つの段階で構成されています：前処理、ノイズ耐性およびハードウェア効率の高い量子回路の生成、古典的なハードウェア上の量子回路の最適化/トレーニング、および実際のIBM量子ハードウェアの推論。
まず、すべての入力画像を前処理段階で処理して、量子ハードウェアの制限により空間寸法を減らします。
医療画像分類のための複雑なパターンを学習するために表現できるバックエンドプロパティを使用して、ハードウェア効率の高い量子回路を生成します。
QMLモデルの古典的な最適化の後、実際の量子ハードウェアの推論を実行します。
また、QMLワークフローに、動的デカップリング（DD）、ゲートの回転、マトリックスフリーの測定緩和（M3）など、QMLワークフローに高度なエラー抑制と緩和手法を組み込み、ノイズの影響を軽減し、分類パフォーマンスを改善します。
実験結果は、医療イメージングの量子コンピューティングの可能性を示し、ヘルスケアに適用されるQMLの将来の進歩のベンチマークを確立します。

要約(オリジナル)

Quantum machine learning (QML) has emerged as a promising domain to leverage the computational capabilities of quantum systems to solve complex classification tasks. In this work, we present first comprehensive QML study by benchmarking the MedMNIST-a diverse collection of medical imaging datasets on a 127-qubit real IBM quantum hardware, to evaluate the feasibility and performance of quantum models (without any classical neural networks) in practical applications. This study explore recent advancements in quantum computing such as device-aware quantum circuits, error suppression and mitigation for medical image classification. Our methodology comprised of three stages: preprocessing, generation of noise-resilient and hardware-efficient quantum circuits, optimizing/training of quantum circuits on classical hardware, and inference on real IBM quantum hardware. Firstly, we process all input images in the preprocessing stage to reduce the spatial dimension due to the quantum hardware limitations. We generate hardware-efficient quantum circuits using backend properties expressible to learn complex patterns for medical image classification. After classical optimization of QML models, we perform the inference on real quantum hardware. We also incorporates advanced error suppression and mitigation techniques in our QML workflow including dynamical decoupling (DD), gate twirling, and matrix-free measurement mitigation (M3) to mitigate the effects of noise and improve classification performance. The experimental results showcase the potential of quantum computing for medical imaging and establishes a benchmark for future advancements in QML applied to healthcare.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google