Integrated Encoding and Quantization to Enhance Quanvolutional Neural Networks

コンピューティングの世界が急速に進化する中で、量子力学の法則と機械に「見る」ことを教える技術が出会う、新たなフロンティアが生まれつつあります。数十年にわたり、人工知能は古典的なコンピュータに依存して画像を処理し、医療スキャンから遠方の銀河の写真に至るまで、あらゆるもののパターンを認識してきました。これらのシステムは「ニューラルネットワーク」として知られ、強力ではありますが、複雑性の壁に突き当たり始めています。そこで登場するのが量子機械学習です。これは、今日のスーパーコンピュータでは解決が困難な問題を解決するために、量子物理学の奇妙で直感に反する特性を活用しようとする分野です。この領域における最も有望な応用は、量子回路を用いて画像を処理する能力であり、これにより、古典的な手法では見落としてしまうデータ内の隠れた特徴を抽出できる可能性があります。しかし、大きな障害が残っています。現在の量子コンピュータは脆弱でノイズが多く、利用可能な「量子ビット（qubit）」と呼ばれる構成要素も非常に少ないのです。現在の量子コンピュータは、情報の損失や干渉によるクラッシュを起こすことなく、高品質な画像を処理するために必要な大規模かつ複雑な計算をまだ扱うことができません。このため、これらの繊細なマシンにデータを投入するための、よりスマートな方法、すなわち限られたリソースを最大限に効率的に使用する方法への切実なニーズが生じています。

ウーディネ大学とナポリ・フェデリコ2世大学の研究者たちは、量子コンピュータ向けに画像データを準備・処理するための新しい手法を開発することで、この課題に取り組んできました。彼らの研究は、「クオンボルーション・ニューラルネットワーク（quanvolutional neural network）」として知られる、画像認識用に設計された特定のタイプの量子ニューラルネットワークに焦点を当てています。自身の内部設定を学習して調整しようとする従来の量子モデルとは異なり、このアプローチでは、洗練されたフィルターとして機能する、固定された非学習型の回路を使用します。研究チームは、標準的なプロセスにおける2つの主要なボトルネックを特定しました。それは、量子コンピュータに入る前に行われる画像の簡略化の方法と、データを量子状態へと翻訳する際の硬直した方法です。彼らは、これらのステップを単一の柔軟な操作へと統合する新しいパイプラインを提案しました。これにより、現在のハードウェアの厳しい制限に適応しながら、元の画像の詳細をより多く保持することが可能になります。

最初のイノベーションは、データの簡略化という問題に対処するものです。量子コンピュータで実行するためには、連続的な色や階調を持つ画像を、マシンが理解できる形式に変換しなければなりません。標準的な手法では、画像を白と黒のわずか2色に削減する「バイナリ量子化」というプロセスが行われます。これは計算能力を節約できますが、まるで数種類の原色だけで絵画を説明しようとするかのように、膨大な詳細情報を捨て去ってしまうことになります。研究者たちは、より多くのグレーレベルを許容する柔軟なアプローチを導入し、元の画像の微妙なニュアンスを保持することに成功しました。これを実用的なものにするため、彼らは「メモイゼーション（記憶化）」と呼ばれる技術を用いました。これはスマートなメモリバンクのように機能します。システムが画像を処理する際、遭遇したすべてのユニークなパターンに対する結果を記録します。もし同じパターンが再び現れた場合、システムは再計算する代わりに、単に答えを呼び出すだけです。この戦略により、画像を詳細に保つために非常に多くのグレーレベルを使用しながら、特定のデータセットにおいて量子コンピュータが計算を実行する回数を95パーセント以上削減することに成功しました。

2番目の、そしておそらくより重要なブレイクスルーは、データが実際にどのように量子回路に投入されるかに関わるものです。従来の手法では、解析される画像のパッチ（断片）のサイズが、必要とされる量子構成要素の数を決定していました。もし研究者がより大きな画像のパッチを解析したいと考えれば、それに応じて比例して多くの量子ビットが必要となり、利用可能なマシンの容量をすぐに超えてしまいました。新しい手法はこの硬直した結びつきを断ち切ります。データ翻訳と処理のステップを単一の回路に統合することで、研究者は画像パッチのサイズとは無関係に量子ビットの数を選択できるようになりました。つまり、少数の扱いやすい量子ビットを使用して、より大きな画像パッチを処理したり、より優れたハードウェアが登場した際にスケールアップしたりすることが可能です。このシステムは、ピクセルの明るさを直接用いて量子ゲートの回転を制御することで、古典的な画像と量子プロセッサの間の直接的かつ効率的な架け橋を作り出します。

彼らのアイデアを検証するため、チームはこの新しいモデルを2つの全く異なる実世界の課題に適用しました。1つ目は、銀河の画像を分類し、2つの特定の宇宙構造を区別することです。2つ目のタスクは、検出器におけるエネルギーシグネチャに基づき、異なる種類の亜原子粒子を識別することでした。彼らは、この新しい統合モデルを、標準的な古典的コンピュータプログラムおよび、回転エンコーディングを用いる従来の量子手法と比較しました。結果は明白でした。新しい統合モデルは、テストされたすべての画像パッチサイズにおいて、従来の量子アプローチを一貫して上回りました。銀河分類のタスクでは、80パーセント以上の精度を達成し、標準的な量子モデルと古典的コンピュータの両方を凌駕しました。粒子検出のタスクにおいても、従来の量子モデルが及ばなかった一方で、古典的コンピュータを打ち破りました。

また、研究は、ピクセルの明るさを量子設定へと翻訳するために使用される特定の数学的関数が極めて重要であることも明らかにしました。関数によっては、安定した高性能な結果をもたらす一方で、システムを不安定で信頼性の低いものにしてしまうこともありました。これは、量子回路の「個性」がその構造と同じくらい重要であることを示唆しています。さらに、研究者たちは、新しい回路が異なる可能性を探索する能力、すなわち「表現力（expressibility）」が、計算にステップを追加するだけで調整できることを見出しました。この柔軟性により、科学者は現在のノイズの多い中間規模の量子デバイス（NISQ）の制約に完璧に適合した回路を設計することができます。

結局のところ、この研究は、画像処理において恩恵を受けるために、完璧でエラーのない量子コンピュータを待つ必要はないということを示しています。データの準備方法と、データが量子回路とどのように相互作用するかを再考することで、より正確でリソース効率の高いモデルを構築することが可能です。研究者たちは、自らのコードと手法を公開しており、他の人々がこの基礎の上に構築していくことを歓迎しています。彼らの知見は、適切なエンジニアリングがあれば、量子機械学習が理論的な実験を超え、現在私たちが手にしている不完全なマシンであっても、天文学や物理学、その他の分野で実用的な問題を解決し始めることができることを示唆しています。