チャネル注意機構の導入による量子ニューラルネットワークの高精度化

大門　俊介, Budiutama Gekko, 西紘史, 隆威金子, Tomi Ohtsuki, 松下雄一郎

Published Sep 26, 2024• 0 citations

Abstract

本研究では量子畳み込みニューラルネットワーク(QCNNs)向けのチャネル注意機構を提案する。チャネル注意機構では従来のモデルで破棄される量子ビットの測定により確率分布のチャネルを定義し、各チャネルに重みパラメーターを割り当てる。チャネル注意機構を導入した QCNNs の性能を評価するために、基底状態での量子相を予測する量子相認識タスクにおいて、従来のQCNNsと比較した。従来の QCNN に比べて、チャネル注意機構を導入することにより QCNN の出力が理想的な解に近づいた。チャネル注意機構を導入したQCNN は少ないエポック数で訓練することができ、QCNN の学習コストの抑制につながった。

Related papers

量子相認識に向けた量子畳み込みニューラルネットワークのチャネル注意機構の提案

Gekko Budiutama, 大門　俊介, 西紘史 +3 more

量子畳み込みニューラルネットワーク(QCNNs)は、量子コンピュータ上での機械学習アルゴリズムとして有望なアプローチの一つである[1]。QCNNsは量子位相認識といった様々な学習タスクで成功を収めており[2]、勾配消失問題に耐性があるため、トレーニングが容易である。しかし、 QCNNsの実用性を向上させるためには、トレーニングコストの削減と性能の向上が不可欠である。本研究では、QCNNsに向けたチャネル注意機構を提案する[3]。このチャネル注意機構では、従来のQCNNsで破棄される量子ビットを測定することにより出力状態のチャネルを生成し、各チャネルに重要性を示す重みパラメータが割り当てられる(図 a)。基底状態から量子相を予測する量子相認識タスクにおいて、チャネル注意機構を導入したQCNNと従来のQCNNを比較した。その結果、チャネル注意機構を導入した QCNN は、正しい状態の確率を高め、予測結果を理想的な解に近づけた(図 b)。さらに、チャネル注意機構は QCNN の訓練エポック数を大幅に削減し、訓練コストを抑えることができた。また、QCNN−古典ニューラルネットワークの従来のハイブリッドモデルに比較した結果、チャネル注意機構を導入した QCNN はより少ないパラメータかつ高精度で量子相を認識することができた。したがって、提案したチャネル注意機構は QCNNs の実用性、汎用性、および使いやすさを向上する高効率かつ低コストな手法である。

Mar 25, 20240 citations

量子畳みこみニューラルネットワークのチャネル注意機構の提案

Gekko Budiutama, 大門　俊介, 西紘史 +3 more

量子コンピュータ上での機械学習アルゴリズムとして、量子畳み込みニューラルネットワーク(QCNNs)が提案された[1]。他の量子ニューラルネットワークと比較して、QCNNs は勾配消失問題に耐性を示し、画像認識から量子相の認識まで成功を収めた[2]。しかし、古典コンピュータで解決不可能な課題に対して、量子コンピュータ上で QCNNs を活用するために QCNNs の性能向上とコストの削減が求められる。この課題を解決するために、本研究では QCNNs 向けのチャネル注意機構を提案する[3]。チャネル注意機構では従来のモデルで破棄される量子ビットの測定により確率分布のチャネルを定義し、各チャネルに重みパラメーターを割り当てる(図 a)。チャネル注意機構を導入した QCNNs の性能を評価するために、基底状態での量子相を予測する量子相認識タスクにおいて、従来の QCNNs と比較した。従来の QCNN に比べて、チャネル注意機構を導入することにより QCNN の出力が理想的な解に近づいた(図 b)。チャネル注意機構を導入した QCNN は少ないエポック数で訓練することができ、QCNN の学習コストの抑制につながった。また、チャネル注意機構を導入した QCNN は量子・古典機械学習としてみなすことができ、従来のハイブリッド手法であるQCNN-feedforward Neural Networkとの比較を行った。その結果、チャネル注意機構は少ないパラメーター数で従来のハイブリッド手法よりも高精度で量子相を認識することができた。提案したチャネル注意機構は QCNNs の実用性を高め、より複雑な問題の解決に重要である。

Mar 20, 20240 citations

Quantum convolutional neural network for Alzheimer’s disease diagnosis

Fazil Sheikh, Salim Y. Amdani, Shaini Suraj

‘Quantum Convolutional Neural Networks’ - QCNN is quantum machine learning model that has the potential of improving the accuracy of Alzheimer’s Disease (AD) diagnosis. Alzheimer’s disease - a neurodegenerative disorder - is considered to be the major cause of Dementia. Early diagnosis of AD is critical for improving patient outcomes. However, current diagnostic methods are often less accurate and time-consuming. QCNNs are able to learn complex features from data, which could be used to identify early signs of AD thereby resulting in an early diagnosis of a disease. This proposed technique will investigate the use of QCNN for AD diagnosis. A QCNN will be trained on a large image dataset from healthy controls & AD patients. The QCNN will then be fine-tuned on a smaller image datasets of patients with suspected AD. The performance of the QCNN will be evaluated on a test dataset of images from patients with suspected AD. This work attempts to design and develop a technique for early disease diagnosis. The QCNN could achieve 88% accuracy in classifying the data(2022) Li et al.[2]. They used a QCNN to diagnose AD from brain functional connectivity data. In another study, by Chen et al.[3], a QCNN could achieve 90% accuracy in classifying the images (2022). So taking inspiration from this, we are proposing to fine tune the QCNN in such a way as to further improve its performance and thereby resulting in more accuracy. The results of the proposed work would highlight the potential of QCNN for AD early diagnosis. If the results are promising, QCNN could be a valuable tool for early diagnosis of Alzheimer’s disease and thereby assists in saving millions of lives.

AIP conference proceedingsJan 1, 20241 citation

チャネル注意機構による量子ニューラルネットワークの性能向上の理論

Budiutama Gekko, 大門　俊介, 西紘史 +3 more

前回大会では量子ニューラルネットワーク(QNN)にチャネル注意機構を導入することで性能が向上することを報告した。今回の講演では、この性能向上を正当化する理論的証明について述べる。一般にQNNが実現できる変換はユニタリ変換に限られるが、チャネル注意機構により非ユニタリ変換が実現される。この非ユニタリ変換は、十分なQNNの深さと注意量子ビット数があれば、任意の入出力関係を近似できることを示す。

Sep 16, 20240 citations

超伝導量子系における揺らぎダイナミクスの探究

平﨑雄太, 大門　俊介, 金澤直輝 +3 more

量子ビットのコヒーレンスの時間変化などに代表される、エラーの時間的揺らぎはエラー低減(Error mitigation)の実装において深刻な課題である。本発表においては、エラーの時間揺らぎを定量的に評価する統計量について紹介する。IBM Quantum を用いた実験により得られた大規模時系列データ測定を統計量を用いて解析することで、現存の超伝導量子コンピューターにおいてみられたエラーの時間揺らぎの特徴について発表する。さらに今回開発された統計量を用いて、エラーの時間揺らぎが存在する時刻の異常なデータを除去することにより量子計算のエラー低減ができる可能性が示された。ポストセレクションに基づいた新たなエラー低減の手法について紹介する。さらに時間分解スペクトロスコピーにより、エラー揺らぎの物理的な背景も探究する。

Sep 17, 20230 citations

Quantum Convolutional Neural Network On Scale Chaology

Guoming Chen, Ruqi Zhou, Xiongyong Zhu +3 more

In this paper we propose a quantum convolutional neural network(QCNN) based chaotic metric classification for chaology scaling-down images in the tensorflow quantum framework. The chaology image is properly downscaled with the measurement of spatial occupancy and granularity introduced by fractal dimension and the dimensionality of the overall input space is reduce before it is fed into the QCNNs quantum circuit for state preparation, quantum convolution and quantum pooling. The experimental results show that QCNN, Hybrid QCNN and Hybrid QCNN with multiple quantum filters have achieved relatively high accuracies on more than 94%, and convergence of these three kinds of QCNN classifier has a small fluctuation which indicates that through this scale transformation the discrepancy among the different quantum hybrid classifiers is minimized to some extent.

International Congress on Image and Signal Processing (CISP)Oct 17, 20202 citations