Quantum convolutional neural networks for jet images classification

技術要約：ジェット画像分類のための量子畳み込みニューラルネットワーク

問題提起
本論文は、高エネルギー物理学（HEP）におけるジェット画像の分類、特にトップクォーク・ジェットと量子色力学（QCD）背景ジェットの識別という課題に取り組んでいる。古典的な畳み込みニューラルネットワーク（CNN）はトップ・タギングにおいて効果的であるが、高度にエネルギーの高い「ブーストされた」トップクォーク・ジェット画像を扱う際には、精度が低下することが多い。このようなシナリオでは、崩壊生成物（サブジェット）が大きく重なり合うため、画像がQCDジェットと視覚的に酷似し、特徴抽出の複雑さが増大する。ResNeXtのような最先端の古典的アーキテクチャは90〜94%の高い精度を達成できるが、数百万の学習可能パラメータを必要とし、高い計算コストや過学習の可能性を伴う。著者らは、量子機械学習（QML）、特に量子畳み込みニューラルネットワーク（QCNN）を用いることで、分類精度を維持または向上させつつ、よりパラメータ効率の高い代替手段を提供できるかどうかを調査することを目的としている。

手法
本研究では、JetNetライブラリのTopTaggingデータセット（ハドロン的トップジェットおよびQCDジェットを含む）を使用している。手法は以下のステップで構成される：

1. データ前処理:

   • 画像形成: ジェットの構成要素を$\eta-\phi$平面上の2D画像に変換する。ジェット構成要素に対してグラム・シュミットの正規直交化を適用し、ブースト不変な座標系を作成することで、画像の初期トップクォークの運動量への依存性を排除する。
   • 次元削減: 主成分分析（PCA）を適用し、画像の解像度を$28 \times 28$ピクセルから$2 \times 2$ピクセル（4つの入力特徴量）へと削減する。これにより、各ピクセルの値を1つの量子ビットが表す最小限の量子回路（4量子ビット）の使用が可能となる。
   • データセット分割: データセットを訓練用80%、テスト用20%に分割する。

2. モデルアーキテクチャ:

   • 古典的ベースライン (CNN): 1層のConv2d層、1層のMaxPooling層、1層のFlatten層、および2層のDense層で構成される標準的なCNNアーキテクチャを構築する。学習可能パラメータ数は、量子モデルと一致するように調整される（例：SO(4)との比較では33パラメータ）。
   • 量子モデル (QCNN): QCNNは「エンコーディング $\to$ 畳み込み $\to$ プーリング $\to$ 測定」の構造に従う。
     • エンコーディング: 4種類のエンコーディング・スキームをテストした：テンソル積埋め込み（TPE/Angle）、ハードウェア効率的埋め込み（HEE）の1層および2層、およびクラスシカルリー・ハード・エンコーディング（CHE）。
     • 畳み込み回路: 2つのユニタリ2量子ビット回路をテストした：$SO(4)$（実変換、1ブロックあたり6つの学習可能パラメータ）および$SU(4)$（ユニバーサル、1層あたり15個の学習可能パラメータ）。
     • プーリング: CNOTおよび単一量子ビットゲートを用いて、システムの次元を半分に削減するプーリング回路。
     • 測定: 残った量子ビットにおけるパウリZ演算子の期待値を最終出力とする。

3. 最適化と分析:

   • 損失関数: クロスエントロピー、平均二乗誤差（MSE）、およびヒンジ損失関数を評価する。
   • 次元表現力分析 (DEA): 回路の最適化のために、$SU(4)$ QCNNに対してDEAを適用する。この手法は、回路の最大表現力（関連する物理状態を生成する能力）を維持しつつ、冗長な学習可能パラメータを特定して除去する。
   • シミュレーション: すべての量子モデルは、ノイズのない古典的シミュレータ（PennyLane）上でシミュレートされ、古典的モデルはTensorFlowを使用する。

主な貢献と結果
本論文は、同一条件（バッチサイズ、損失関数、パラメータ数）の下でのQCNNとCNNの設定の系統的な比較を提示している：

• 低パラメータ領域における性能優位性: ノイズのないシミュレータを用いた結果、QCNNは一般に、特に畳み込みブロックのパラメータ数が少ない場合に、古典的なCNNのカウンターパートよりも優れた性能を示した。例えば、30個のパラメータを持つ$SO(4)$ QCNNは、最大99.88%の精度（HEE1エンコーディングおよびMSE損失を使用）を達成したが、同等のCNN（33パラメータ）は約96.26%であった。
• エンコーディングとバッチサイズの感度:
  • エンコーディング: HEE1（1層のハードウェア効率的埋め込み）とTPEが最良の結果をもたらした。より複雑なエンコーディング（HEE2、CHE）は、おそらくバレン・プラトー（平坦な勾配）に起因する学習の困難を引き起こした。
  • バッチサイズ: 小さいバッチサイズ（16および32）は、大きいバッチ（64、128）と比較して、高い精度と速い収束を実現した。大きいバッチでは精度が低下する傾向があった。
• DEAによる最適化: $SU(4)$ QCNNにDEAを適用することで、冗長なゲートを除去することにより、パラメータ数を48から31へと削減した。最適化された回路（31パラメータ）は、高い精度（99.89%）を維持し、33パラメータのCNNを上回り、91パラメータのCNNと同等の結果を出した。
• 複雑性と精度の関係: 古典的モデルの複雑さを増大させる（MLP層を介して）ことで精度は向上したが、わずか31パラメータのDEA最適化QCNNは、73パラメータのCNNを凌駕し、91パラメータのCNNに匹敵する結果を残した。

意義と主張
著者らは、本研究を、QCNNがトップ・タギングのようなHEP解析タスクに効果的に利用できることを示す「原理証明（proof of principle）」として位置づけている。

• パラメータ効率: 主要な意義は、QCNNが古典的なCNNよりも大幅に少ない学習可能パラメータで、同等または優れた分類精度を達成できることを示した点にある。これは、過学習に強く、計算コストの低い、より効率的なモデルへの道を示唆している。
• DEAの有用性: 本研究は、回路の表現力を損なうことなく冗長性を排除するための重要なツールとしてDEAの有効性を検証しており、これはNISQ（Noisy Intermediate-Scale Quantum）デバイスへの実装において極めて重要である。
• 量子優位性に関する控えめな主張: 論文では、これらの結果は実用的な量子優位性の実証にはならないことを明示している。シミュレーションはノイズレスであり、対象となる特定のデータセットに対するQCNNは古典的にシミュレート可能である。著者らは、結果が理想的な条件下での提案された量子モデルの性能を評価したものであることを強調している。実世界での実装には、ハードウェアノイズ、有限ショットサンプリング、および回路の深さの制約への対処が必要であることを認めている。
• 今後の方向性: 著者らは、より多くの量子ビットがシミュレート可能であれば、PCAを回避して高次元の画像へアプローチできる可能性を示唆している。また、等変量子ニューラルネットワーク（EQNN）の手法を用いることで、ジェットデータ内の対称性をさらに活用できる可能性があるとも述べている。また、これらのモデルを、HEPにおける本質的に量子的なデータセットに適用できる可能性についても言及している。