Towards Transfer Learning for Large-Scale Image Classification Using Annealing-based Quantum Boltzmann Machines

要約

量子転移学習 (QTL) は、大規模な畳み込みニューラル ネットワークの特徴抽出機能と量子機械学習 (QML) の潜在的な利点を効率的に組み合わせることで、画像分類タスクに対するハイブリッド量子古典アプローチとして最近人気を集めています。
しかし、既存のアプローチは、これらの手順の量子部分にゲートベースの変分量子回路のみを利用しています。
この研究では、QTL ベースの画像分類に量子アニーリング (QA) を採用するアプローチを紹介します。
具体的には、アニーリングベースの量子ボルツマンマシンをハイブリッド量子古典パイプラインの一部として使用し、教師ありトレーニングを通じて医療画像などの実世界の大規模データの分類を学習することを提案します。
私たちのアプローチを、肺のコンピューター断層撮影 (CT) スキャン スライスのコレクションである 3 クラスの COVID-CT-MD データセットに適用することで実証します。
実際の QA の代用としてシミュレーテッド アニーリングを使用し、同じ桁のニューラル ネットワークを使用した古典的な転移学習と私たちの方法を比較して、その改善された分類パフォーマンスを示します。
私たちのアプローチは、テスト精度と AUC-ROC スコアの点で従来のベースラインを常に上回っており、これを行うために必要なトレーニング エポックが少ないことがわかりました。

要約(オリジナル)

Quantum Transfer Learning (QTL) recently gained popularity as a hybrid quantum-classical approach for image classification tasks by efficiently combining the feature extraction capabilities of large Convolutional Neural Networks with the potential benefits of Quantum Machine Learning (QML). Existing approaches, however, only utilize gate-based Variational Quantum Circuits for the quantum part of these procedures. In this work we present an approach to employ Quantum Annealing (QA) in QTL-based image classification. Specifically, we propose using annealing-based Quantum Boltzmann Machines as part of a hybrid quantum-classical pipeline to learn the classification of real-world, large-scale data such as medical images through supervised training. We demonstrate our approach by applying it to the three-class COVID-CT-MD dataset, a collection of lung Computed Tomography (CT) scan slices. Using Simulated Annealing as a stand-in for actual QA, we compare our method to classical transfer learning, using a neural network of the same order of magnitude, to display its improved classification performance. We find that our approach consistently outperforms its classical baseline in terms of test accuracy and AUC-ROC-Score and needs less training epochs to do this.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google