量子 CNN はデータセットのテスト精度が高いですが、制限があります

10月4日に発表された2022年のノーベル賞では、アラン・アスペクト氏、ジョン・F・クラウス氏、アントン・ザイリンガー氏の3人の科学者が量子もつれで物理学賞を受賞し、量子分野は外の世界からも注目を集めた。研究と議論。

中でも、量子コンピューティングに代表される研究投資は近年大幅に増加しており、セキュリティやネットワーク通信などの分野で量子手法を用いて既存技術を破壊する試みが始まっています。コンピューティング技術。

一部の研究者は、量子コンピューティングの核心は「より低い計算コストの技術を通じて古典的な問題を解決すること」にあると信じています。近年、ディープラーニングと量子コンピューティングの研究が並行して発展しているため、多くの研究者が研究者たちは、これら 2 つの分野の交差点である量子深層学習にも注目し始めています。

最近、Xbox Game Studio Rare のインサイト責任者である Holly Emblem 氏が、新しい記事「量子ディープラーニング: 量子畳み込みニューラルのクイックガイド」で量子ディープラーニングの現状について説明しました。ネットワーク」では、古典的なコンピューティング手法と比較した量子畳み込みニューラル ネットワーク (QCNN) の利点と限界に焦点を当てて、研究と応用を紹介します。

1 古典コンピューティングと量子コンピューティングの違い

最初に、古典コンピューティングと量子コンピューティングの違いに関する重要な概念を紹介します。プログラムが古典的なコンピュータで実行されると、コンパイラはプログラムのステートメントをバイナリ ビットに変換します。量子コンピューティングでは、ビットがいつでも 1 または 0 を表す古典的なコンピュータとは異なり、量子ビットはどちらの状態にもなり得ます。 「状態間では、量子ビットは測定時にのみ 2 つの基底状態 (1 または 0) のいずれかに崩壊します。

この特性は重ね合わせと呼ばれ、量子コンピューティングのタスクにおいて重要な役割を果たします。重ね合わせにより、量子コンピューターは、完全な並列アーキテクチャや GPU を必要とせずに、タスクを並列で実行できます。その理由は、各オーバーレイ状態が異なる値に対応する場合、オーバーレイ状態に対して操作が実行されると、その操作はすべての状態に対して同時に実行されるためです。

これは量子状態の重ね合わせの例です:

量子状態の重ね合わせは指数関数的であり、a と b は確率振幅を指します。 , これは、測定が実行されたときに状態に投影される確率を与えます。このうち、重ね合わせ量子状態は量子論理ゲートを用いて生成されます。

#キャプション: フィンランド、エスポーにある Ragsxl の IQM 量子コンピューター #2 エンタングルメントとベル状態

重ね合わせは量子物理学において非常に重要であり、もう 1 つの重要な原理はエンタングルメントです。

エンタングルメントとは、2 つ以上の粒子間に相互作用を作成または引き起こす動作を指し、これらの粒子の量子状態が互いに独立して作用できなくなることを意味します。遠くからでも。粒子が絡み合っている場合、一方の粒子を測定すると、絡み合っているもう一方の粒子はすぐに逆の状態で測定されます（これらの粒子には局所的な状態はありません）。

量子ビットと量子もつれの理解が進むにつれて、ベル状態の議論が続いています。以下は量子ビットの最大量子もつれ状態を示しています:

|00 → β → 1 √ 2 (|00 |11 ) = |β00 ,

|01 → β → 1 √ 2 (|01 | 10 ) = |β01

##|10 → β → 1 √ 2 (|00 - |11 ) = |β10

#|11 → β → 1 √ 2 (|01 - |10 ) = |β11

量子回路を使用してベル状態を作成する:

キャプション: ペリーの量子コンピューティング神殿のベル状態回路

示されているベル状態回路では、量子ビット入力を受け取り、アダマール ゲートと CNOT ゲートを適用して、もつれたベル状態を作成します。

現在、ベル状態は一連の量子コンピューティング アプリケーションの開発に使用されており、その中で、Hegazy、Bahaa-Eldin、および Dakroury は、ベル状態と超高密度コーディングを使用できることを提案しました。 「無条件安全保障」理論を実現するために。

3 畳み込みニューラル ネットワークと量子畳み込みニューラル ネットワーク

François Chollet は、Python 深層学習において畳み込みニューラル ネットワーク (CNN) が最初に線を表現し、次にその線のエッジを表現するなど、パターン階層を構築できるため、画像分類などのタスクでよく使われます。これにより、CNN はレイヤー間の情報に基づいて構築し、複雑なビジュアル データを表現できます。

CNN には畳み込み層があり、入力内を「スライド」して入力内のパターンを検出できる「特徴マップ」を生成するフィルターで構成されます。同時に、CNN はプーリング層を使用して特徴マップのサイズを削減できるため、学習に必要なリソースが削減されます。

#キャプション: Cecbur によって実証された畳み込みニューラル ネットワーク

定義を理解した上で古典的な CNN と同様に、量子 CNN (量子畳み込みニューラル ネットワーク、QCNN) がこれらの従来の手法をどのように利用し、拡張するかを調べることができます。

Garg と Ramakrishnan は、量子ニューラル ネットワークを開発する一般的なアプローチは、確率論に基づく変換である、いわゆる「量子畳み込み層」を導入する「ハイブリッド」アプローチを開発することであると考えています。量子回路は、古典的な CNN のアドオン コンポーネントとして登場します。

以下に示すのは、Yanxuan Lü などの研究者によって開発され、MNIST 手書き数字データセットでテストされたハイブリッド QCNN です。 「画像分類のための量子畳み込みニューラル ネットワーク」では、研究者らは量子回路と量子もつれを古典的モデルの一部として使用して、入力画像を取得し、出力として予測を生成しました。

この方法では、QCNN は画像データを入力として受け取り、それを量子状態 |x> にエンコードし、量子畳み込みとプーリング層を使用します。それを変換して特徴を抽出し、最後に、強く絡み合った回路の完全に接続された層を分類に使用し、測定を通じて予測を取得します。

最適化は確率的勾配降下法 (SGD) によって処理されます。これは、トレーニング データ ラベルと QCNN 予測ラベルの間の差異を減らすために使用できます。量子回路に着目すると、量子畳み込み層で使用されるゲートは、回転演算子やCNOTゲートも含めて以下の通りです。

プーリング層内の量子ビットのサブセットを測定し、その結果によって隣接するビットに単一の量子ビット ゲートを適用するかどうかが決まります。

完全に接続層は「ユニバーサルシングル量子ビットゲート」ともつれ状態を生成するCNOTゲートで構成されており、QCNNを他の手法と比較するために、研究者らはシミュレートされたQCNNを備えたMNISTデータセットを使用した。一般的なアプローチに従って、トレーニング/テスト データセットを作成し、次の層で構成される QCNN を開発しました。

2 量子畳み込み層

• 2 量子プーリング層
• 1 量子全結合層
• この QCNN ペア データセットのテストセット精度Papers with Code のデータをテストした後、従来の CNN でのこのデータセットの最高精度スコアは 99.91% に達する可能性があります。

この実験では 2 種類の MNIST データ セットのみが分類されたことに注意してください。これは、そのパフォーマンスを他の MNIST モデルのパフォーマンスと完全に比較することには制限があることを意味します。

4 実現可能性の評価と要約

研究者は QCNN で手法を開発しましたが、現在のこの分野の重要な問題は、理論モデルを実装するために必要なハードウェアが存在しないことです。まだ存在します。さらに、ハイブリッド手法は、古典的な CNN 計算に量子進化層を同時に導入する手法をテストする際にも課題に直面しています。

量子コンピューティングの利点の 1 つは、「従来の難解な問題を、より安価な計算技術で解決できること」であると考えると、これらの解決策の重要な側面は次のとおりです。量子加速」。一部の研究者は、古典的な実装と比較した量子機械学習の利点は、量子アルゴリズムが多項式または指数関数的な加速時間を持つことが期待されることであると考えています。

ただし、上に示した QCNN 法の 1 つの制限は、古典的なデータと測定値を一貫してデコード/エンコードするアルゴリズム (QCNN など) が必要な場合、「量子加速」「ゲイン」が必要になることです。また、現時点では、「量子加速」のメリットを得るために最小限の測定を必要とする最適なエンコード/デコードとプロトコルを設計する方法に関する情報はあまりありません。

もつれは、量子機械学習の重要な特性であることが証明されています。この記事で言及されている QCNN に関する研究では、強力なもつれ回路を使用して、完全接続層としてもつれ状態を生成することができます。モデルは予測を行うことができます。それだけでなく、エンタングルメントは、画像から重要な特徴を抽出するためにエンタングルメントを使用するなど、他の分野の深層学習モデルを支援するためにも使用されます。また、データセットでエンタングルメントを使用することは、モデルが以前に予想されていたよりも小さいトレーニング データセットから学習できることを意味する可能性があります。 。

この記事では、古典的な深層学習手法と量子深層学習手法の比較を示し、予測 QCNN を生成するための量子層 (強くもつれた回路を含む) の使用について説明し、その利点を分析します。これは、量子深層学習の次のステップ、特により多くの分野での QCNN の応用について考え始めることができることも意味します。さらに、量子ハードウェアも常に改良されており、PsiQuantum などの企業は、100 万量子ビットの量子プロセッサを開発するという目標さえ提案しています。

ディープラーニングと量子コンピューティングの分野の研究が続くにつれ、量子ディープラーニングのさらなる発展が期待できます。

以上が量子 CNN はデータセットのテスト精度が高いですが、制限がありますの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。