Efficient Quantum Convolutional Neural Networks for Image Classification: Overcoming Hardware Constraints

要約

古典的な畳み込みニューラルネットワーク（CNN）は画像分類に革命をもたらしましたが、量子コンピューティングの出現は、ニューラルネットワークアーキテクチャを強化するための新しい機会を提供します。
量子CNNS（QCNNS）量子機械的特性を活用し、古典的なアプローチを上回る可能性を保持します。
ただし、現在の騒々しい中級スケールQuantum（NISQ）デバイスに関する実装は、ハードウェアの制限により依然として困難です。
私たちの研究では、入力の次元を大幅に削減するエンコードスキームを導入することにより、この課題に対処します。
49キュビットを備えたプリミティブなQCNNアーキテクチャが28ドル\タイム28 $ピクセルMnist画像を直接処理するのに十分であり、古典的な次元削減前処理の必要性を排除することを実証します。
さらに、QCNNの構成要素、パラメーター化された量子回路（PQC）を識別するために、表現性、絡み合い、および複雑さの特性に基づいた自動フレームワークを提案します。
私たちのアプローチは、ハイブリッドQCNNと古典的なCNNの両方と比較して、同様のパラメーターカウントで精度と収束速度の利点を示しています。
IBMのHeron R2量子プロセッサに関する実験を検証し、96.08 \％$分類の精度を達成し、同一のトレーニング条件下で従来のアプローチの71.74 \％$ $ベンチマークを上回りました。
これらの結果は、実際の量子ハードウェアに関する画像分類の最初の実装の1つであり、この領域の量子コンピューティングの可能性を検証します。

要約(オリジナル)

While classical convolutional neural networks (CNNs) have revolutionized image classification, the emergence of quantum computing presents new opportunities for enhancing neural network architectures. Quantum CNNs (QCNNs) leverage quantum mechanical properties and hold potential to outperform classical approaches. However, their implementation on current noisy intermediate-scale quantum (NISQ) devices remains challenging due to hardware limitations. In our research, we address this challenge by introducing an encoding scheme that significantly reduces the input dimensionality. We demonstrate that a primitive QCNN architecture with 49 qubits is sufficient to directly process $28\times 28$ pixel MNIST images, eliminating the need for classical dimensionality reduction pre-processing. Additionally, we propose an automated framework based on expressibility, entanglement, and complexity characteristics to identify the building blocks of QCNNs, parameterized quantum circuits (PQCs). Our approach demonstrates advantages in accuracy and convergence speed with a similar parameter count compared to both hybrid QCNNs and classical CNNs. We validated our experiments on IBM’s Heron r2 quantum processor, achieving $96.08\%$ classification accuracy, surpassing the $71.74\%$ benchmark of traditional approaches under identical training conditions. These results represent one of the first implementations of image classifications on real quantum hardware and validate the potential of quantum computing in this area.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google