Quantum Hamiltonian Embedding of Images for Data Reuploading Classifiers

技術要約：データ再アップローディング分類器のための画像の量子ハミルトニアン埋め込み

問題提起
量子コンピューティングの機械学習（QML）への応用は、伝統的に、古典的なアルゴリズムを「量子化」すること（例：qPCAのような量子線形代数によるサブプロセスの利用）による実行時のスピードアップ、すなわち量子優位性の達成に焦点を当ててきた。しかし、近年の議論では、QMLにおける最適の目標はスピードアップではなく、量子特有の性質や古典的ディープラーニングからのヒューリスティック（経験則）によってモデル設計を導くことであるべきだという疑問が呈されている。画像分類において、具体的な課題が生じる：古典的ディープラーニングは、情報の局所性と並進不変性（CNNやVision Transformerなど）に大きく依存している。既存のQMLによる画像アプローチは、高次元データの扱いに苦慮することが多く、古典的な前処理（PCAや学習済みネットワークによる次元削減）を必要としたり、埋め込み手法（角度埋め込みや振幅埋め込みなど）が予期せぬバイアスを導入したり、画像の固有の二次元構造を保持できなかったりすることがある。

手法
著者らは、データ再アップローディング回路アーキテクチャと量子ハミルトニアン埋め込み法を統合した量子ニューラルネットワーク（QNN）分類器を提案している。

1. ハミルトニアン画像埋め込み： 画像を平坦化したり、画素値を回転角としてエンコードしたり（角度埋め込み）する代わりに、本モデルはグレースケール画像行列 $M$ をエルミート演算子として扱う。まず画像を「エルミート化」し（$H_M = (M + M^T)/2$）、次に、学習可能なパラメータ $t$ を用いたユニタリ時間発展演算子 $W(t; M) = e^{-iH_M t/2}$ を通じて量子状態へとエンコードする。このアプローチは、画像の2D構造を保持し、画像レベル全体に対して行列多項式非線形性を適用するため、角度埋め込みに伴う周期的な三角関数のバイアスを回避できる。
2. データ再アップローディング： モデルは、データエンコーディング・ユニタリ（$W$）とパラメータ化されたユニタリ層（$V$）を $L$ 回繰り返す変分回路を利用する。状態は $|\phi(t, \vec{\omega}; M)\rangle = \prod_{i=1}^L [V(\omega_i)W(t_i; M)] |+\rangle^{\otimes n}$ として準備される。これは、古典的なディープネットワークにおける入力データの再利用を模倣しており、データと学習可能なパラメータとの間の反復的な相互作用を通じて、複雑な関数を学習することを可能にする。
3. アーキテクチャ： パラメータ化された層 $V$ は、$SU(4)$ユニタリゲートをレンガ壁状のレイアウトで構成する（より大きな量子ビット数に対しては$SU(N)$）。分類は、クラスラベルに対応する射影演算子の測定によって行われ、訓練はクロスエントロピー損失を用いて最適化される。

主な貢献

• モデル構築： ハミルトニアン埋め込みとデータ再アップローディングのパラダイムを組み合わせた、新しいQML分類器を構築した。
• 性能ベンチマーク： 数値実験を通じて、本モデルが画像分類タスクにおいてベースラインとなる量子畳み込みニューラルネットワーク（QCNN）を大幅に上回ることを示した。
• 設計原則： モデルの設計と実証結果に基づき、純粋なスピードアップから、アーキテクチャのヒューリスティックやデータ固有の構造へと焦点を移した、将来のQMLモデル設計のための6つの指針を提案している。

実験結果
モデルは、Kaggle CT Medical Images、Sklearn Digitsデータセットのサブセット、およびMNISTとFashionMNISTのサブセットの4つのデータセットで評価された。

• 性能向上： 提案された「HamEmb」モデルは、一貫してベースラインのQCNN（振幅埋め込みと平坦化された入力を使用）を上回った。
  • MNIST テストセット（8クラス）において、HamEmbモデルは**89.72%の精度を達成し、QCNNの47.03%**に対し、40%以上の差をつけた。
  • FashionMNIST テストセットにおいて、HamEmbは**77.77%の精度を達成し、QCNNの42.90%**を上回った。
• Robustness（堅牢性）： HamEmbモデルは、20通り（小規模データセットの場合）または5通り（大規模データセットの場合）の異なるランダムなパラメータ初期化に対して一貫した性能を示したが、QCNNの性能は変動が大きく、一般的に低かった。
• スケーラビリティの観察： モデルは良好な性能を示したが、MNISTからより複雑なFashionMNISTへ移行した際に性能低下が見られた。著者らは、これをモデルのグローバルなエンコーディング（画像全体を一つのハミルトニアンとして扱うこと）が、小さな畳み込みカーネルやパッチベースのアプローチのような微細な局所特徴抽出能力を欠いているためであると考えている。

意義と主張
本論文の主要な主張は、実行時のスピードアップではなく、古典的ディープラーニングのヒューリスティックと経験的知識をQMLに統合することで、性能を向上させられることを示した点にある。

著者らは以下の通り主張している：

1. スピードアップは主要な指標ではない： QMLモデルの設計においては、量子的なスピードアップを求めるよりも、まず性能指標（精度など）とデータの構造的整合性を優先すべきである。
2. データ構造が重要である： ハミルトニアン埋め込みを通じてデータの固有構造（例：画像の2D空間構造）を保持することは、データを平坦化したり周期的なバイアスを導入したりする方法よりも優れている。
3. 古典的な前処理を最小限にする： 本モデルは、特徴抽出を古典的なバックボーン（ResNetなど）にオフロードすることを避け、量子回路が生の（あるいは最小限に処理された）データを直接処理できるようにしている。
4. 非線形性の源泉： 本モデルは、測定による非線形性や古典的な活性化関数のみに頼るのではなく、量子ハミルトニアンの時間発展に内在する非線形性（指数写像のテイラー展開によるもの）を活用している。
5. 不要なバイアスを避ける： 角度埋め込みを避けることで、周期関数によって形成される決定境界へのバイアスを回避している。

最終的に、本論文は、「スピードアップへの初期の注力軽減」から「不要なバイアスへの注意」に至るこれら6つの原則が、データの性質と現在の量子ハードウェアの制約の両方を尊重した、より効果的な量子ニューラルネットワークを設計するためのフレームワークを提供すると断じている。