Evolving Hybrid Quantum-Classical Architectures for Image Classification
本論文は、画像分類のためのハイブリッド量子・古典アーキテクチャの発見を自動化するためにEXAQC進化型フレームワークを拡張し、進化したパラメータ化量子回路が、古典的なディープラーニングモデルと比較して学習パラメータ数を大幅に削減しながら、MNIST、Fashion-MNIST、およびCIFAR-10において競争力のある精度を達成できることを実証する。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
よりスマートなコンピュータを構築しようとする静かな競争の中で、シリコンチップの厳格な論理が、量子力学の流動的で確率的な性質と出会う新たな領域が出現しました。長年、科学者たちは、写真の中の猫を見つけることからX線の中の腫瘍を特定することに至るまで、パターンを認識するように機械を教えようとしてきました。従来のコンピュータは、膨大な量のデータを数学的なフィルタの層を通して処理することでこれを行いますが、この手法はうまく機能するものの、莫大なエネルギーとメモリを必要とします。原子を支配する奇妙な物理法則を利用する量子コンピュータは、はるかに少ない労力でこれらの問題を解決することを約束していますが、制御が極めて難しいことで知られています。最大の障害は、これらの量子機械の内部にある「回路」――情報を処理するゲートの特定の配置――を、極めて精密に設計しなければならないことです。もし設計がわずかでも狂っていれば、コンピュータは学習に失敗するか、さらに悪いことに、学習自体が完全に停止してしまいます。長い間、研究者はこれらの設計を手作業で作る必要があり、特定のタスクに対してどの量子部品の配置が最適かを推測してきましたが、このプロセスは遅く、高価で、しばしば効果的ではありませんでした。
ロチェスター工科大学の研究チームは、コンピュータ自身に設計させるという異なるアプローチを採用しました。彼らはEXAQCと呼ばれるシステムを開発しました。これは、与えられた仕事に対して可能な限り最良の量子回路を発見するために、自然選択に似た進化プロセスを利用するものです。人間のエンジニアが設計図を描く代わりに、このシステムは数千のランダムな回路設計を生成し、それらをテストし、最も優れたパフォーマンスを示したものを保持します。そして、これらの成功した設計を混合・突然変異させて、さらに優れたバージョンを作成し、精度が高く効率的な解が見つかるまでこのサイクルを繰り返します。研究者たちはこのシステムを困難な画像分類のタスクでテストし、手書きの数字、衣類、そして車や動物のような日常的な物体の画像を、正しいカテゴリーに分類するように機械に求めました。
この実験の結果は、私たちが将来のインテリジェントなシステムをどのように構築していくかについて、驚くべき変化を明らかにしています。研究者が手書きの数字を認識するタスクにこの進化システムを適用したところ、98.5パーセント近い成功率を達成しました。タスクが難しくなり、衣類の画像へと移行した際も、システムは約90.6パーセントの正解率を維持しました。真のテストは、最も複雑なデータセット、すなわち10種類の異なる物体クラスのカラフルな画像のコレクションでした。ここで、システムは85.5パーセントの精度に達しました。これらの数字が特に重要なのは、単にシステムが機能したからではなく、その仕組みにあります。研究者たちは、進化させた量子回路が非常にコンパクトであり、従来のコンピュータモデルが必要とするリソースのほんの一部しか使用していないことを発見しました。実際、最も複雑なデータセットにおいて、このハイブリッドシステムは、巨大な10層のディープニューラルネットワークと同レベルの精度を達成しながら、その仕事を行うための調整可能な設定（パラメータ）を96パーセント以上少なく抑えることができました。
また、この研究は、データが量子マシンにどのように供給されるかが、これまで考えられていた以上に重要であることも明らかにしました。研究者たちは、標準的なデジタル画像を量子状態へと変換するさまざまな方法を試みました。彼らは、単純な画像については、その手法による大きな差はないことを見出しました。しかし、複雑でカラフルな画像については、翻訳方法の選択が極めて重要でした。回転ベースのエンコーディングを用いる特定の手法は、伝統的な振幅ベースの手法よりもシステムが画像をより良く理解することを可能にし、精度を20パーセント以上向上させました。これは、タスクが困難になるにつれて、量子プロセッサのためにデータを準備する方法が、プロセッサ自体と同じくらい重要になることを示唆しています。
おそらく最も驚くべき発見は、システムが画像の膨大な情報量をどのように扱ったかでした。複雑なデータセットからの生の画像には3,000以上のデータポイントが含まれており、現在の量子ハードウェアが直接扱うにはあまりにも多すぎます。研究者たちは、標準的なコンピュータのコンポーネントを使用して、量子部分に渡す前に画像を小さく管理可能な要約へと圧縮することで、この問題を解決しました。進化システムは、その後、この要約を処理する方法を学習しました。進化させた量子回路は、単純で反復的な構造ではなく、人間が通常作成する固定された設計とは全く異なる、複雑で不規則な接続パターンを発展させていることが分かりました。これらの進化した回路は、圧縮されたデータから必要な情報を驚異的な効率で抽出することができ、自動化された探索が、人間の設計者が完全に見落としてしまうような解決策を見つけ出せることを証明しました。
研究者たちは、これらの結果は実際の量子ハードウェア上で回路を実行したものではなく、コンピュータ・シミュレーションによるものであることに注意深く言及しています。実際の量子ハードウェアはまだ初期段階にあり、エラーが発生しやすいからです。しかし、10回の独立した実験試行における結果の一貫性は、これらの知見が単なる幸運な偶然ではなく、堅牢であることを示唆しています。システムは単に解を見つけただけでなく、既存の手法よりも大幅に効率的な解を見つけ出したのです。古典的なコンピュータによる特徴抽出能力と、量子コンピュータによる処理能力を組み合わせることで、研究者たちは、エネルギー消費の激しい大規模なモデルを必要としない前進の道を提示しました。この研究は、完璧な量子ハードウェアを待つ必要はないことを示しています。特定のタスクに合わせて適切なアーキテクチャを進化させることで、強力でコンパクトであり、かつ現実世界のデータという課題に対応できるハイブリッドシステムを構築できるのです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。