Parallel Multi-Circuit Quantum Feature Fusion in Hybrid Quantum-Classical Convolutional Neural Networks for Breast Tumor Classification

Dieser Artikel stellt eine hybride Quanten-Klassische Faltungsneuronale Netzarchitektur vor, die Amplituden- und Winkelkodierung variationaler Quantenschaltungen integriert, um Quanten- und klassische Merkmale zu fusionieren, und zeigt statistisch signifikante Verbesserungen der Genauigkeit bei der Klassifizierung von Brusttumoren auf dem BreastMNIST-Datensatz im Vergleich zu einer parametrisch abgestimmten klassischen Baseline.

Das Wesentliche

Stellen Sie sich vor, Sie versuchen, einen riesigen Haufen Fotos in zwei Boxen zu sortieren: „Sicher" (benigne Tumore) und „Gefährlich" (maligne Tumore). Dies ist eine Aufgabe, die Ärzte übernehmen, aber sie ist mühsam. Seit langem nutzen wir leistungsstarke Computerprogramme namens klassische neuronale Netze, um dabei zu helfen. Betrachten Sie diese als sehr clevere, traditionelle Detektive, die ein Foto betrachten, es in winzige Teile zerlegen und lernen, die Muster zu erkennen, die „Gefahr" bedeuten.

Der Autor dieses Papers, Ece Yurtseven, stellte jedoch eine Frage: Was wäre, wenn wir diesen Detektiven eine Superkraft geben würden?

Diese Superkraft ist Quantencomputing.

So erklärt dieses Paper das neue „Hybride" System unter Verwendung einfacher Analogien:

1. Das Team-Up (Das hybride Modell)

Anstatt den traditionellen Detektiven zu ersetzen, baute der Autor ein Team auf.

• Der klassische Detektiv: Dies ist das Standardcomputerprogramm (ein Convolutional Neural Network), das bereits sehr gut darin ist, die Fotos zu betrachten.
• Die Quanten-Assistenten: Der Autor fügte dem Team zwei spezielle „Quantenschaltungen" hinzu. Betrachten Sie diese als zwei verschiedene Arten von magischen Linsen.
  • Linse A (Amplitude Encoding): Diese Linse betrachtet das Foto und versucht, alle Informationen in das Volumen oder die „Lautstärke" einer Quantenwelle zu pressen.
  • Linse B (Angle Encoding): Diese Linse betrachtet dasselbe Foto, übersetzt die Informationen jedoch in Winkel, wie das Drehen eines Radioknobs. Sie verwendet zudem eine „kreisförmige Verschränkung", was so ist, als würden die Knöpfe miteinander verbunden werden, sodass das Drehen eines sofort die anderen beeinflusst und eine geheime Verbindung zwischen ihnen herstellt.

2. Die Fusion (Das Zusammenfügen)

Das Paper beschreibt einen Prozess namens Feature Fusion.
Stellen Sie sich vor, der klassische Detektiv nimmt ein Foto und schreibt einen langen Bericht.

• Linse A nimmt diesen Bericht und schreibt eine kurze, magische Zusammenfassung.
• Linse B nimmt denselben Bericht und schreibt eine andere magische Zusammenfassung, die sich auf andere Details konzentriert.
• Das System nimmt dann den klassischen Bericht, Zusammenfassung A und Zusammenfassung B und heftet sie alle zu einer einzigen riesigen, superdetaillierten Datei zusammen.
• Ein finaler „Richter" (eine einfache Computerschicht) liest diese riesige Datei und trifft die endgültige Entscheidung: Sicher oder Gefährlich?

3. Der faire Test

Um sicherzustellen, dass die Quanten-Assistenten tatsächlich die Arbeit leisteten und nicht nur Glück hatten, organisierte der Autor ein strenges Rennen.

• Läufer A (Das klassische Team): Nutzt nur den traditionellen Detektiv.
• Läufer B (Das hybride Team): Nutzt den traditionellen Detektiv plus die beiden Quantenlinsen.
• Die Regel: Beide Teams erhielten exakt die gleiche Menge an „Gehirnkraft" (Parametern) und wurden auf exakt denselben Fotos (dem BreastMNIST-Datensatz) für exakt die gleiche Zeit trainiert. Dies stellt sicher, dass, wenn Läufer B gewinnt, es daran liegt, dass die Quantenlinsen halfen, und nicht daran, dass sie über mehr Ressourcen verfügten.

4. Die Ergebnisse

Nachdem das Rennen fünf Mal durchgeführt wurde, um sicherzugehen, waren die Ergebnisse klar:

• Das klassische Team lag bei etwa 84,2 % der richtigen Antworten.
• Das hybride Team lag bei etwa 86,5 % der richtigen Antworten.

Obwohl dieser Zahlenunterschied (2,3 %) klein erscheinen mag, führte der Autor einen speziellen statistischen Test durch (wie ein Schiedsrichter, der die Ziellinie mit einem Mikroskop überprüft) und bestätigte, dass der Sieg des hybriden Teams statistisch signifikant war. Es war kein Zufall; die Quantenlinsen halfen dem System tatsächlich, die Tumore besser zu erkennen.

5. Der Haken (Einschränkungen)

Das Paper ist ehrlich bezüglich der aktuellen Grenzen:

• Die Simulation: Der „Quanten"-Teil dieses Experiments fand nicht auf einem echten, physikalischen Quantencomputer statt (die derzeit sehr fragil und verrauscht sind). Es fand auf einem normalen Computer statt, der einen Quantencomputer simulierte. Es ist, als würde man einen neuen Automotor in einem Windkanal testen, anstatt auf einer echten Straße.
• Die Größe: Der Quantenteil war sehr klein (nur 4 „Qubits" oder Quantenbits). Es ist wie die Verwendung eines winzigen, spezialisierten Werkzeugs anstelle einer riesigen Fabrik.
• Die Daten: Sie testeten dies an einem Standard, kleinen Datensatz von Brustultraschallbildern. Das Paper behauptet nicht, dass dieses System bereit ist, echte Patienten in einem Krankenhaus zu diagnostizieren; es beweist lediglich, dass die Idee in einem kontrollierten Test besser funktioniert als der alte Weg.

In Kürze

Das Paper sagt: „Wir haben ein neues System gebaut, das ein Standardcomputerhirn mit zwei verschiedenen Arten von quantenmechanischen 'magischen Linsen' kombiniert. Als wir sie beim Sortieren von Brusttumor-Bildern testeten, leistete das Team mit den Quantenlinsen eine bessere Arbeit als der Standardcomputer allein, und wir haben dies mit Mathematik bewiesen."

Technische Zusammenfassung

Technische Zusammenfassung: Parallele Multi-Schaltung-Quanten-Feature-Fusion in hybriden quanten-klassischen Convolutional Neural Networks zur Klassifizierung von Brusttumoren

Problemstellung
Der Beitrag adressiert die Herausforderungen bei der Klassifizierung von Brusttumoren mittels medizinischer Bildgebung, insbesondere die Unterscheidung zwischen benignen und malignen Fällen. Während klassische Convolutional Neural Networks (CNNs) effektiv sind, sehen sie sich mit Skalierungsproblemen bei hochdimensionalen medizinischen Daten und architektonischen Einschränkungen konfrontiert. Die Autoren schlagen vor, Quantum Machine Learning (QML), speziell Variational Quantum Circuits (VQCs), zu nutzen, um die Feature-Extraktion und die Klassifizierungsleistung zu verbessern. Die Studie konzentriert sich auf den BreastMNIST-Datensatz, einen standardisierten Benchmark aus 28×28 großen Graustufen-Ultraschallbildern der Brust, mit dem Ziel zu ermitteln, ob hybride quanten-klassische Architekturen rein klassischen Gegenstücken überlegen sein können, wenn die Parameteranzahl angeglichen ist.

Methodik
Die Autoren schlagen eine hybride quanten-klassische Convolutional Neural Network (QCNN)-Architektur vor, die für die binäre Klassifizierung konzipiert ist. Die Methodik ist um vier Hauptkomponenten strukturiert:

1. Klassisches Rückgrat: Sowohl das hybride als auch das Baseline-Modell teilen sich einen identischen klassischen CNN-Feature-Extraktor. Dieses Rückgrat besteht aus sechs Faltungsschichten, die in drei Blöcke organisiert sind (32, 64 und 128 Filter) und Batch-Normalisierung, ReLU-Aktivierung, Max-Pooling und Dropout nutzen. Das Ergebnis ist ein flachgelegter 2048-dimensionaler Feature-Vektor.
2. Parallele Quanten-Feature-Extraktion: Das hybride Modell verarbeitet die klassischen Features durch zwei verschiedene, parallele Variational Quantum Circuits (VQCs), die beide auf 4 Qubits operieren:
   • Schaltung 1 (Amplitudenkodierung): Mapped einen 16-dimensionalen vorverarbeiteten Feature-Vektor in die Amplituden eines 4-Qubit-Quantenzustands ($2^4=16$ Basiszustände). Sie nutzt trainierbare Rotationen und Verschränkung und misst Pauli-Z-Erwartungswerte, um 4 Quanten-Features zu liefern.
   • Schaltung 2 (Winkelkodierung mit zirkularer Verschränkung): Mapped 4 vorverarbeitete Features direkt in Rotationswinkel ($R_Y$) auf 4 Qubits. Diese Schaltung verwendet zwei variational Schichten mit parametrisierten $R_X$- und $R_Y$-Rotationen sowie eine zirkulare Verschränkungstopologie (CNOT-Gatter, die $j \to (j+1) \mod 4$ verbinden). Sie misst Pauli-Z für alle Qubits und Pauli-X für die ersten beiden, was 6 Quanten-Features ergibt.
3. Quanten-klassische Feature-Fusion: Die Ausgaben beider Quantenschaltungen (jeweils 4 und 6 Features) werden zu einem 10-dimensionalen Vektor konkateniert. Dieser wird über eine lernbare lineare Schicht auf einen 128-dimensionalen Raum projiziert, gefolgt von Layer-Normalisierung, ReLU und Dropout. Diese fusionierten Quanten-Features werden dann mit den ursprünglichen 2048-dimensionalen klassischen CNN-Features konkateniert.
4. Klassifikator und Training: Der finale hybride Feature-Vektor (2176 Dimensionen) wird durch ein tiefes, vollständig vernetztes Netzwerk zur binären Klassifizierung geleitet. Das Modell wird mit dem AdamW-Optimierer, dem Binary-Cross-Entropy-Verlust mit Label-Smoothing und Early Stopping trainiert. Um einen fairen Vergleich zu gewährleisten, ersetzt ein klassisches CNN-Baseline-Modell die Quantenschaltungen durch klassische lineare Schichten mit identischen Eingangs-/Ausgangsdimensionen, wobei die Gesamtzahl der Parameter gleich bleibt.

Hauptbeiträge
Der Beitrag umreißt vier primäre Beiträge:

1. Neuartige Architektur: Einführung einer hybriden QCNN, die zwei parallele Quantenschaltungen mit unterschiedlichen Kodierungsschemata (Amplituden- und Winkelkodierung) nutzt.
2. Feature-Fusionsstrategie: Implementierung eines spezifischen Fusionsmechanismus, der Quanten-Features beider Schaltungen mit klassischen CNN-Features konkateniert, um einen gemeinsamen Feature-Raum zu schaffen.
3. Rigoroses Experimentaldesign: Ein parameterangepasstes Setup, bei dem die hybriden und klassischen Modelle identische CNN-Rückgrate teilen, wodurch der spezifische Beitrag der Quantenschichten isoliert wird.
4. Statistische Validierung: Nachweis von Leistungsverbesserungen, die über fünf unabhängige Durchläufe mittels statistischer Tests validiert wurden.

Ergebnisse
Die Modelle wurden über fünf unabhängige Durchläufe auf dem BreastMNIST-Datensatz (546 Trainings-, 78 Validierungs- und 156 Teststichproben) evaluiert.

• Leistung: Die hybride QCNN erreichte eine Testgenauigkeit von 86,54 %, verglichen mit 84,17 % für das klassische Baseline-Modell. Das hybride Modell zeigte zudem eine überlegene Validierungsgenauigkeit (87,95 % vs. 85,38 %) und einen niedrigeren Validierungsverlust (0,3786 vs. 0,3982).
• Metriken: Das hybride Modell übertraf das klassische Modell in Trainingsgenauigkeit, Validierungsgenauigkeit, Trainingsverlust, Validierungsverlust, Testgenauigkeit, Präzision und F1-Score. Obwohl das klassische Modell eine marginale höhere Recall-Rate aufwies, zeigte das hybride Modell eine bessere Gesamtbalance.
• Statistische Signifikanz: Ein einseitiger Wilcoxon-Vorzeichen-Rang-Test ergab einen p-Wert von 0,03125 ($p < 0,05$), was die Nullhypothese ablehnt, dass das hybride Modell gleich gut oder schlechter als das klassische Modell performt. Die Effektstärke, berechnet mittels Cohens $d$, betrug 2,14, was auf eine große praktische Signifikanz hindeutet.

Bedeutung und Behauptungen
Der Beitrag behauptet, dass hybride QCNN-Architekturen Quanteneigenschaften wie Superposition und Verschränkung effektiv nutzen können, um Aufgaben der medizinischen Bildklassifizierung zu verbessern. Die Autoren behaupten, dass ihre Arbeit einen statistischen Validierungsrahmen für die Bewertung hybrider Quantenmodelle in biomedizinischen Anwendungen etabliert.

Die Studie räumt ein, dass alle Experimente unter Verwendung idealisierter Quantenschaltungssimulationen (PennyLanes default.qubit-Zustandsvektor-Simulator) auf klassischer Hardware durchgeführt wurden, frei von Rauschen und Dekohärenz. Folglich formulieren die Autoren ihre Ergebnisse bescheiden als Proof of Concept für die theoretischen Vorteile der Architektur. Sie heben hervor, dass zwar die 4-Qubit-Schaltungen und einfachen Gatteroperationen geeignete Kandidaten für Hardware der nahen Zukunft sind, jedoch weitere Arbeiten erforderlich sind, um diese Ergebnisse auf tatsächlichen Quantenprozessoren zu validieren und den Ansatz auf größere, diversere klinische Datensätze zu skalieren. Der Beitrag beansprucht keine unmittelbare klinische Einsatzfähigkeit, sondern identifiziert vielmehr einen Weg für Skalierung und Einsatz auf Quantenhardware der nahen Zukunft.