QNN-VRCS: A Quantum Neural Network for Vehicle Road Cooperation Systems

技術要約：QNN-VRCS：車両・道路協調システムのための量子ニューラルネットワーク

問題の概要
都市交通システムは、交通渋滞、多様なモビリティ、そして変化する通勤者の嗜好により、複雑性が増大しています。従来の計算手法は、リアルタイムのセンサーネットワークから生成される膨大なデータセットを処理することに苦慮しており、正確な交通予測やシステム最適化に必要な精度を欠くことが多々あります。車両・道路協調システム（VRCS）や自動運転車は、ナビゲーションや障害物検知のために高度な視覚処理に依存していますが、現在のヒューリスティックな手法や古典的な機械学習モデルは、予測不可能な交通動態への対応や、多様なシナリオにおける信頼性の確保において限界に直面しています。本研究は、VRCSを強化するために量子コンピューティング技術を統合し、特に交通管理の意思決定を支援するための交通信号の状態（赤、黄、緑）の分類に焦点を当てることで、より洗練された分析フレームワークの必要性に対処します。

手法
本研究では、交通信号の画像を分類するために設計された量子ニューラルネットワーク（QNN）を提案し、その性能を古典的な畳み込みニューラルネットワーク（CNN）および他の量子機械学習（QML）アプローチと比較します。

• データ符号化: 本研究では、主に2つの量子画像表現手法を用いています。

  • FRQI (Flexible Representation of Quantum Images): 画素値を量子状態における回転角として符号化します。$2^n \times 2^n$のサイズの画像に対し、この手法は$n+1$個の量子ビットを必要とします（例：$2 \times 2$の入力に対して3個の量子ビット）。
  • NEQR (Novel Enhanced Quantum Representation): 一連の量子ビットとCNOTゲートを使用して、画素の輝度値を直接表現します。これはより多くの量子ビットを必要としますが（例：$2 \times 2$の入力に対して10個、$4 \times 4$の入力に対して12個）、輝度情報をより明示的に保持します。
  • 角度符号化 (Angle Encoding, AE): 提案されているQNNで特別に使用されます。画素値は、式 $\theta = (\pi/255) \times \text{pixel value}$ に基づいて、0から$\pi$の範囲の角度（$\theta$）に変換されます。

• 評価されたアルゴリズム:

  1. $UU^\dagger$ アルゴリズム: 各クラス（赤、緑、黄）の重心データがユニタリ演算子 $U$ にエンコードされ、テストデータが $U^\dagger$ にエンコードされる分類手法です。分類は、テスト状態と重心状態の間の内積（状態 $|00\rangle$ の確率）を測定することによって決定されます。
  2. 変分 $UU^\dagger$ アルゴリズム: 上記と同様ですが、測定フェーズの前後にアダマールゲートを組み込み、回路の深さを増すために $U$ と $U^\dagger$ ゲートの層を繰り返します。
  3. 量子ニューラルネットワーク (QNN): 変分量子回路（VQC）のアプローチです。モデルは量子ビットを $|0\rangle^{\otimes n}$ で初期化し、回転X演算子を用いて画素値を符号化し、回転Y演算子とCNOTゲートを用いたもつれ層を適用し、出力を測定します。パラメータは、予測ラベルと実際のラベルの間の損失関数（平均二乗誤差）を最小化するために、古典的なオプティマイザ（Adam）を用いて反復的に更新されます。

• 実験設定:

  • データセット: 2つのデータセットが使用されました。Carlaデータセット（シミュレーション環境における交通信号の画像1,909枚）と、Cropped Lisaデータセット（実世界の画像36,534枚）です。
  • 前処理: 画像は$2 \times 2$および$4 \times 4$ピクセルにリサイズされました。交通信号を分離するために、学習済みのTensorFlowモデルがオブジェクト検出に使用されました。
  • ノイズシミュレーション: QNNの堅牢性は、ビット反転（bitflip）、位相反転（phaseflip）、ビット位相反転（bitphaseflip）、デポラリジング（depolarizing）、振幅減衰（amplitude damping）、および位相減衰（phase damping）の6つの量子ノイズモデルに対して評価されました。なお、これらの評価はシミュレートされた量子ノイズモデルに基づいています。

主な貢献

1. VRCSのためのQNNの開発: 本論文は、交通信号の分類に特化した、車両・道路協調システムのためのQNNの設計と実装を提示しています。
2. 比較分析: 本研究は、2つの異なるデータセットと異なる画像解像度において、古典的なCNN、$UU^\dagger$、変分 $UU^\dagger$、および提案されたQNNの間で包括的な比較を提供します。
3. 堅牢性の評価: 本研究は、6つの異なる量子ノイズ条件下におけるQNNモデルの回復力を評価し、シミュレートされたノイズ環境におけるその安定性に関する洞察を提供します。
4. 量子符号化の最適化: 量子画像分類タスクにおいて、異なる符号化戦略（FRQI、NEQR、および角度符号化）を変分量子アルゴリズムと組み合わせて、その有効性を探求しています。

結果

• Carla データセット: 角度符号化と$2 \times 2$ピクセルの入力を用いたQNNは、**97.42%**の分類精度を達成しました。これは、古典的なCNN（$4 \times 4$入力で90%）および他の量子手法（例：FRQIを用いた$UU^\dagger$は66.25%）を上回る高い精度です。QNNは、層の深さが増すにつれて精度が向上し、20層でプラトーに達するという明確な傾向を示しました。
• Cropped Lisa データセット: 角度符号化と$2 \times 2$入力を用いたQNNは、**84.08%**の精度を達成し、古典的なCNN（$2 \times 2$入力で77.09%）および他の量子アプローチを上回りました。変分 $UU^\dagger$ モデルは、このデータセットでは概して低い性能（約43%）を示しました。
• ノイズへの耐性:
  • モデルは**位相減衰（phase damping）**ノイズに対して高い安定性を示し、高いノイズ強度でも高い精度を維持しました。
  • **振幅減衰（amplitude damping）**ノイズは大幅な性能低下を引き起こし、ノイズパラメータが0.7を超えると精度はゼロになりました。
  • **デポラリジング（depolarizing）**ノイズは、精度の着実な低下をもたらしました。
  • モデルは、すべてのノイズタイプにおいてCarlaよりもCropped Lisaデータセットで全体的に高い精度を示しており、これは実世界のデータセットの方が識別可能な特徴を多く含んでいる可能性を示唆しています。

意義と主張
本論文は、提案されたQNNモデルが高度交通システム（ITS）および車両・道路協調システムにおける交通信号の画像分類タスクにおいて、評価された特定の古典的および量子モデルと比較して高い精度を達成したことを示しています。縮小された画像次元と最小限のトレーニングデータを用いて、高い分類精度（97.42%および84.08%）を達成することで、本研究はQNNが交通画像分類のベンチマークを再定義する可能性を浮き彫りにしています。本研究は、特に6G対応システムという文脈において、インテリジェントな交通ソリューションを進展させるための量子技術の極めて重要な役割を強調しています。

著者らは、QNNは（特に位相減衰に対して）堅牢性を示す一方で、既存の古典的インフラストラクチャへの量子システムの統合、リアルタイムの意思決定に関するレイテンシの問題、およびデータプライバシーに関する課題が依然として残っていると述べています。また、シミュレートされた条件下での堅牢性の評価は、物理的な量子ハードウェアや実世界への展開の準備が整っていることを確立するものではないことも留意すべきです。結論として、QNNモデルは交通信号分類において有望なアプローチを体現していますが、今後の研究では量子回路のスケールアップと、実用的な展開に向けたハードウェア効率への対応が必要であるとしています。