Disentangling Quantum and Classical Contributions in Hybrid Quantum Machine Learning Architectures

要約

量子コンピューティングは、特にデータ集約型のタスクにおいて、優れた計算能力の可能性をもたらします。
ただし、量子ハードウェアの現在の状態では、入力サイズに厳しい制限が課されています。
これに対処するために、広範な入力を処理できる事前トレーニング済みの古典的モデルと変分量子回路を統合した、ハイブリッド転移学習ソリューションが開発されました。
しかし、古典コンポーネントと量子コンポーネントの各コンポーネントがモデルの結果にどの程度寄与しているかは依然として不明です。
私たちは、新しいハイブリッド アーキテクチャを提案します。圧縮のために事前にトレーニングされたネットワークを利用する代わりに、オートエンコーダーを使用して入力データの圧縮バージョンを導出します。
この圧縮されたデータは、オートエンコーダーのエンコーダー部分を介して量子コンポーネントに送られます。
2 つの最先端のハイブリッド転移学習アーキテクチャ、2 つの純粋な古典アーキテクチャ、および 1 つの量子アーキテクチャに対してモデルの分類機能を評価します。
その精度は、紙幣認証、ウィスコンシン州乳がん、MNIST 数字、および AudioMNIST の 4 つのデータセットにわたって比較されます。
私たちの研究は、古典的なコンポーネントがハイブリッド転移学習における分類に大きな影響を与えていることを示唆していますが、その寄与は量子要素によるものと誤って考えられることがよくあります。
私たちのモデルのパフォーマンスは、振幅埋め込みを使用した変分量子回路のパフォーマンスと一致しており、実行可能な代替手段として位置付けられています。

要約(オリジナル)

Quantum computing offers the potential for superior computational capabilities, particularly for data-intensive tasks. However, the current state of quantum hardware puts heavy restrictions on input size. To address this, hybrid transfer learning solutions have been developed, merging pre-trained classical models, capable of handling extensive inputs, with variational quantum circuits. Yet, it remains unclear how much each component – classical and quantum – contributes to the model’s results. We propose a novel hybrid architecture: instead of utilizing a pre-trained network for compression, we employ an autoencoder to derive a compressed version of the input data. This compressed data is then channeled through the encoder part of the autoencoder to the quantum component. We assess our model’s classification capabilities against two state-of-the-art hybrid transfer learning architectures, two purely classical architectures and one quantum architecture. Their accuracy is compared across four datasets: Banknote Authentication, Breast Cancer Wisconsin, MNIST digits, and AudioMNIST. Our research suggests that classical components significantly influence classification in hybrid transfer learning, a contribution often mistakenly ascribed to the quantum element. The performance of our model aligns with that of a variational quantum circuit using amplitude embedding, positioning it as a feasible alternative.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google