Integrated Encoding and Quantization to Enhance Quanvolutional Neural Networks

In der sich schnell entwickelnden Welt der Computertechnik zeichnet sich eine neue Grenze ab, an der die Gesetze der Quantenmechanik auf die Kunst trifft, Maschinen das Sehen beizubringen. Jahrzehntelang hat die künstliche Intelligenz auf klassischen Computern vertraut, um Bilder zu verarbeiten und Muster in allem von medizinischen Scans bis hin zu Fotografien ferner Galaxien zu erkennen. Diese Systeme, bekannt als neuronale Netze, sind leistungsstark, stoßen jedoch zunehmend an eine Wand der Komplexität. Hier kommt das Quanten-Maschinelle Lernen ins Spiel, ein Feld, das versucht, die seltsamen, kontraintuitiven Eigenschaften der Quantenphysik zu nutzen, um Probleme zu lösen, die für heutige Supercomputer zu schwierig sind. Die vielversprechendste Anwendung in diesem Bereich ist die Fähigkeit, Bilder mithilfe von Quantenschaltkreisen zu verarbeiten, die potenziell verborgene Merkmale aus Daten extrahieren können, die klassische Methoden übersehen. Es bleibt jedoch eine bedeutende Hürde: Aktuelle Quantencomputer sind fragil, verrauscht und verfügen über sehr wenige Bausteine, sogenannte Qubits. Sie können noch nicht die massiven, komplexen Berechnungen bewältigen, die zur Verarbeitung hochwertiger Bilder erforderlich sind, ohne Informationen zu verlieren oder aufgrund von Interferenzen abzustürzen. Dies schafft einen dringenden Bedarf an intelligenteren Wegen, um Daten in diese empfindlichen Maschinen einzuspeisen und sicherzustellen, dass die verfügbaren begrenzten Ressourcen mit maximaler Effizienz genutzt werden.

Forscher der Universität Udine und der Universität Neapel Federico II haben diese Herausforderung angenommen, indem sie eine neue Methode zur Vorbereitung und Verarbeitung von Bilddaten für Quantencomputer entwickelt haben. Ihre Arbeit konzentriert sich auf einen speziellen Typ eines quantenbasierten neuronalen Netzes zur Bilderkennung, bekannt als ein „quanvolutionelles“ neuronales Netz. Im Gegensatz zu traditionellen Quantenmodellen, die versuchen, ihre eigenen internen Einstellungen zu lernen und anzupassen, verwendet dieser Ansatz feste, nicht trainierbare Schaltkreise, die als hochentwickelte Filter fungieren. Das Team identifizierte zwei große Engpässe im Standardprozess: die Art und Weise, wie Bilder vereinfacht werden, bevor sie in den Quantencomputer gelangen, und die starre Art, wie Daten in Quantenzustände übersetzt werden. Sie schlugen eine neue Pipeline vor, die diese Schritte zu einer einzigen, flexiblen Operation kombiniert, wodurch das System in der Lage ist, sich an die strengen Einschränkungen der aktuellen Hardware anzupassen und gleichzeitig mehr Details des Originalbildes zu bewahren.

Die erste Innovation adressiert das Problem der Datenvereinfachung. Um auf einem Quantencomputer laufen zu können, muss ein Bild von einem kontinuierlichen Bereich an Farben und Schattierungen in ein Format umgewandelt werden, das die Maschine verstehen kann. Die Standardmethode sieht vor, ein Bild auf nur zwei Farben zu reduzieren, Schwarz und Weiß, ein Prozess, der als binäre Quantisierung bezeichnet wird. Während dies Rechenleistung spart, wirft es eine enorme Menge an Details weg, so als würde man versuchen, ein Gemälde nur mit einer Handvoll Primärfarben zu beschreiben. Die Forscher führten einen flexiblen Ansatz ein, der viele mehr Graustufen ermöglicht und so die subtilen Nuancen des Originalbildes bewahrt. Um dies praktikabel zu machen, verwendeten sie eine Technik namens Memoization, die wie eine intelligente Speicherbank fungiert. Während das System das Bild verarbeitet, zeichnet es die Ergebnisse für jedes auftretende einzigartige Muster auf. Wenn dasselbe Muster erneut erscheint, ruft das System einfach die Antwort ab, anstatt sie neu zu berechnen. Diese Strategie ermöglichte es ihnen, eine wesentlich höhere Anzahl an Graustufen zu verwenden, wodurch das Bild reich an Details blieb, während gleichzeitig die Anzahl der Durchläufe des Quantencomputers für bestimmte Datensätze um über 95 Prozent reduziert wurde.

Der zweite, und vielleicht bedeutendere Durchbruch, betrifft die Art und Weise, wie die Daten tatsächlich in den Quantenschaltkreis eingespeist werden. Bei früheren Methoden bestimmte die Größe des analysierten Bildausschnitts (Patch) die Anzahl der erforderlichen Quantenbausteine. Wenn ein Forscher einen größeren Ausschnitt des Bildes analysieren wollte, benötigte er eine proportional größere Anzahl an Qubits, was die Kapazität verfügbarer Maschinen schnell überstieg. Die neue Methode bricht diese starre Verbindung auf. Durch die Integration der Datentranslation und der Verarbeitungsschritte in einen einzigen Schaltkreis können die Forscher die Anzahl der Qubits unabhängig von der Größe des Bildausschnitts wählen. Das bedeutet, sie können eine kleine, handhabbare Anzahl von Qubits verwenden, um viel größere Bildausschnitte zu verarbeiten, oder hochskalieren, sobald bessere Hardware verfügbar ist. Das System arbeitet dadurch, dass es die Helligkeit der Pixel direkt nutzt, um die Rotation der Quantengatter zu steuern, wodurch eine direkte und effiziente Brücke zwischen dem klassischen Bild und dem Quantenprozessor entsteht.

Um ihre Ideen zu testen, wandte das Team dieses neue Modell auf zwei sehr unterschiedliche reale Probleme an. Das erste betraf die Klassifizierung von Galaxienbildern, um zwischen zwei spezifischen Arten kosmischer Strukturen zu unterscheiden. Die zweite Aufgabe bestand darin, verschiedene Arten von subatomaren Teilchen basierend auf ihren Energiesignaturen in einem Detektor zu identifizieren. Sie verglichen ihr neues integriertes Modell mit einem Standard-Klassikcomputerprogramm und der traditionellen Quantenmethode, die Rotationskodierung verwendet. Die Ergebnisse waren eindeutig: Das neue integrierte Modell übertraf die traditionelle Quantenmethode bei allen getesteten Bildausschnittsgrößen konsequent. Bei der Aufgabe der Galaxienklassifizierung erreichte es eine Genauigkeit von über 80 Prozent und übertraf damit sowohl das Standard-Quantenmodell als auch den klassischen Computer. Auch bei der Teilchendetektion schlug es den klassischen Computer, während das traditionelle Quantenmodell hinter den Erwartungen zurückblieb.

Die Studie zeigte auch, dass die spezifische mathematische Funktion, die zur Übersetzung der Pixelhelligkeit in Quanteneinstellungen verwendet wird, eine große Rolle spielt. Einige Funktionen führten zu stabilen, leistungsstarken Ergebnissen, während andere dazu führten, dass das System erratisch und unzuverlässig wurde. Dies deutet darauf hin, dass die „Persönlichkeit“ des Quantenschaltkreises ebenso wichtig ist wie seine Struktur. Darüber hinaus fanden die Forscher heraus, dass die Fähigkeit ihres neuen Schaltkreises, verschiedene Möglichkeiten zu explorieren – eine Eigenschaft, die als Expressivität bekannt ist –, durch das bloße Hinzufügen von mehr Schritten zur Berechnung abgestimmt werden kann. Diese Flexibilität ermöglicht es Wissenschaftlern, Schaltkreise zu entwerfen, die perfekt auf die spezifischen Einschränkungen ihrer Hardware abgestimmt sind, ein entscheidender Vorteil in der aktuellen Ära der verrauschten, intermediären Quantengeräte (NISQ).

Letztendlich zeigt diese Arbeit, dass wir nicht auf perfekte, fehlerfreie Quantencomputer warten müssen, um Vorteile in der Bildverarbeitung zu sehen. Indem wir die Art und Weise überdenken, wie Daten vorbereitet werden und wie sie mit dem Quantenschaltkreis interagieren, ist es möglich, Modelle zu bauen, die sowohl genauer als auch ressourceneffizienter sind. Die Forscher haben ihren Code und ihre Methoden der Öffentlichkeit zugänglich gemacht und laden andere ein, auf diesem Fundament aufzubauen. Ihre Ergebnisse legen nahe, dass Quanten-Maschinelles Lernen mit der richtigen Ingenieurskunst über theoretische Experimente hinausgehen und beginnen kann, praktische Probleme in der Astronomie, Physik und darüber hinaus zu lösen – selbst mit den unvollkommenen Maschinen, die wir heute besitzen.