Evolving Hybrid Quantum-Classical Architectures for Image Classification
Diese Arbeit erweitert das EXAQC-Evolutionsframework zur Automatisierung der Entdeckung hybrider quanten-klassischer Architekturen für die Bildklassifizierung und zeigt auf, dass evolvierte parametrisierte Quantenschaltkreise eine wettbewerbsfähige Genauigkeit bei MNIST, Fashion-MNIST und CIFAR-10 erreichen und dabei die Anzahl der trainierbaren Parameter im Vergleich zu klassischen Deep-Learning-Modellen signifikant reduzieren können.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In dem stillen Wettlauf zum Bau smarterer Computer ist eine neue Grenze entstanden, an der die starre Logik von Siliziumchips auf die fluide, probabilistische Natur der Quantenmechanik trifft. Seit Jahren versuchen Wissenschaftler, Maschinen beizubringen, Muster zu erkennen – vom Aufspüren einer Katze in einem Foto bis hin zur Identifizierung eines Tumors in einem Röntgenbild. Traditionelle Computer tun dies, indem sie riesige Mengen an Daten durch Schichten mathematischer Filter verarbeiten, eine Methode, die gut funktioniert, aber enorme Mengen an Energie und Speicher erfordert. Quantencomputer, die die seltsamen physikalischen Regeln nutzen, welche Atome steuern, versprechen, diese Probleme mit weitaus weniger Aufwand zu lösen, sind jedoch notorisch schwer zu kontrollieren. Die größte Hürde besteht darin, dass die „Schaltkreise“ im Inneren dieser Quantenmaschinen – die spezifischen Anordnungen von Gattern, die Informationen verarbeiten – mit extremer Präzision entworfen werden müssen. Wenn das Design auch nur geringfügig abweicht, lernt der Computer nicht oder, schlimmer noch, hört ganz auf zu lernen. Lange Zeit mussten Forscher diese Designs von Hand entwerfen und raten, welche Anordnung von Quantenteilen für eine bestimmte Aufgabe am besten funktionieren würde – ein Prozess, der langsam, teuer und oft ineffektiv war.
Ein Forscherteam am Rochester Institute of Technology hat einen anderen Ansatz gewählt, der es dem Computer ermöglicht, sich selbst zu entwerfen. Sie entwickelten ein System namens EXAQC, das einen evolutionären Prozess nutzt, der der natürlichen Selektion ähnelt, um den bestmöglichen Quantenschaltkreis für eine bestimmte Aufgabe zu entdecken. Anstatt dass ein menschlicher Ingenieur einen Bauplan zeichnet, generiert das System tausende zufällige Schaltkreisdesigns, testet sie und behält diejenigen, die am besten abschneiden. Es vermischt und mutiert dann diese erfolgreichen Designs, um noch bessere Versionen zu erstellen, wobei es den Zyklus wiederholt, bis es eine Lösung findet, die sowohl präzise als auch effizient ist. Die Forscher testeten dieses System bei der schwierigen Aufgabe der Bildklassifizierung, indem sie die Maschine baten, Bilder von handgeschriebenen Zahlen, Kleidungsstücken und Alltagsgegenständen wie Autos und Tieren anzusehen und sie in die richtigen Kategorien zu sortieren.
Die Ergebnisse dieses Experiments offenbaren einen markanten Wandel in der Art und Weise, wie wir zukünftige intelligente Systeme bauen könnten. Als die Forscher ihr evolutionäres System auf die Aufgabe der Erkennung handgeschriebener Ziffern anwandten, erreichte es eine Erfolgsquote von fast 98,5 Prozent. Als die Aufgabe schwieriger wurde und zu Bildern von Kleidung überging, gelang dem System immer noch eine Genauigkeit von etwa 90,6 Prozent. Die wahre Prüfung kam mit dem komplexesten Datensatz, einer Sammlung farbiger Bilder von zehn verschiedenen Objektklassen. Hier erreichte das System eine Genauigkeit von 85,5 Prozent. Was diese Zahlen besonders bedeutsam macht, ist nicht nur, dass das System funktionierte, sondern wie es funktionierte. Die Forscher fanden heraus, dass die von ihrem System entwickelten Quantenschaltkreise unglaublich kompakt waren und nur einen winzigen Bruchteil der Ressourcen verwendeten, die herkömmliche Computermodelle erfordern. Tatsächlich erreichte das hybride System beim komplexesten Datensatz das gleiche Genauigkeitsniveau wie ein massives, zehnschichtiges tiefes neuronales Netz, während es über neunundsechzig Prozent weniger einstellbare Einstellungen oder Parameter benötigte, um die Aufgabe zu bewältigen.
Die Studie deckte auch auf, dass die Art und Weise, wie Daten in die Quantenmaschine eingespeist werden, wichtiger ist als bisher angenommen. Die Forscher probierten verschiedene Methoden aus, um ein standardmäßiges digitales Bild in einen Quantenzustand zu übersetzen. Sie fanden heraus, dass die Methode bei einfachen Bildern nicht viel Unterschied machte. Bei den komplexen, farbigen Bildern war die Wahl der Übersetzungsmethode jedoch entscheidend. Eine spezifische Methode, die eine rotationsbasierte Kodierung verwendet, ermöglichte es dem System, die Bilder viel besser zu verstehen, was die Genauigkeit um mehr als zwanzig Prozentpunkte verbesserte. Dies deutet darauf an, dass bei schwieriger werdenden Aufgaben die Art und Weise, wie wir die Daten für den Quantenprozessor vorbereiten, genauso wichtig wird wie der Prozessor selbst.
Die überraschendste Entdeckung war vielleicht, wie das System mit dem schieren Volumen der Informationen in den Bildern umging. Ein Rohbild aus dem komplexen Datensatz enthält über dreitausend Datenpunkte, was für die aktuelle Quantenhardware zu viel ist, um es direkt zu verarbeiten. Die Forscher lösten dies, indem sie eine Standard-Computerkomponente nutzten, um das Bild in eine kleine, handhabbare Zusammenfassung zu komprimieren, bevor sie es an den Quantenteil weitergaben. Das evolutionäre System lernte dann, wie es diese Zusammenfassung verarbeitet. Es stellte sich heraus, dass die entwickelten Quantenschaltkreise zur Verarbeitung dieser komprimierten Zusammenfassungen keine einfachen, repetitiven Strukturen waren. Stattdessen entwickelten sie komplexe, unregelmäßige Verbindungsmuster, die den festen Designs, die Menschen normalerweise erstellen, in keiner Weise ähnelten. Diese evolvierten Schaltkreise waren in der Lage, die notwendigen Informationen aus den komprimierten Daten mit bemerkenswerter Effizienz zu extrahieren, was bewies, dass eine automatisierte Suche Lösungen finden kann, die menschliche Designer übersehen könnten.
Die Forscher wiesen vorsichtig darauf hin, dass diese Ergebnisse aus Computersimulationen stammen und nicht aus dem Betrieb der Schaltkreise auf tatsächlicher Quantenhardware, die sich noch in einem frühen Stadium befindet und anfällig für Fehler ist. Dennoch deutet die Konsistenz der Ergebnisse über zehn separate Testläufe hinweg darauf hin, dass die Funde robust sind und kein glücklicher Zufall. Das System fand nicht nur eine Lösung; es fand eine Lösung, die signifikant effizienter war als bestehende Methoden. Durch die Kombination der Fähigkeit eines klassischen Computers, Merkmale zu extrahieren, mit der Fähigkeit eines Quantencomputers, diese zu verarbeiten, zeigten die Forscher einen Weg auf, der die Notwendigkeit massiver, energiehungriger Modelle vermeidet. Die Arbeit zeigt, dass wir nicht auf perfekte Quantenhardware warten müssen, um Vorteile zu sehen; indem wir die richtige Architektur für die spezifische Aufgabe entwickeln, können wir hybride Systeme bauen, die leistungsstark, kompakt und bereit für die Herausforderungen realer Daten sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.