Pixel-Translation-Equivariant Quantum Convolutional Neural Networks via Fourier Multiplexers

想像してみてください。あなたはロボットに写真の中の猫を認識させる方法を教えようとしています。もし、左側に猫の写真を提示し、次に全く同じ猫を右側に提示したとしたとします。賢いロボットなら、「おや、これはまだ猫だ！」と気づくはずです。物体が移動してもそれが同じものであると理解するこの能力は、**並進対称性（translation symmetry）と呼ばれます。古典的なコンピュータの世界では、このルールを遵守するように設計された畳み込みニューラルネットワーク（CNN）**という特別なツールが作られており、それによって画像内の物体を見つけ出すことに非常に長けています。

さて、量子コンピュータを使って、これらのスマートなツールを構築したいと考えているとしましょう。量子コンピュータは、多くの状態に同時に存在できる「魔法のサイコロ」のようなものであり、膨大なスピードアップの可能性を秘めています。しかし、落とし穴があります。量子世界では、画像をどのようにコンピュータに投入するか（これをエンコーディングと呼びます）によって、ゲームのルールが変わってしまうのです。もし、各ピクセルを特定の「席（スロット）」に割り当てる方法で画像をエンコードした場合、画像を動かすことは「席をずらすこと」になります。しかし、ピクセルを「住所のリスト」に割り当てる方法（図書館の目録のようなもの）でエンコードした場合、画像を動かすことは「目録のカードの番号を変えること」になります。今日取り上げる論文は、このトリッキーなパズルに取り組んでいます。既存の多くの量子設計は「席をずらす」ルールを扱うように作られていますが、「目録のカード」方式に対してはそのルールは機能しません。著者たちは、量子コンピュータが移動する物体を真に認識できるようにするためには、単に一般的な量子力学のルールに従うのではなく、データのエンコード方法に特化したルールを尊重するように構築しなければならないことを突き止めました。

---

量子における大きな不一致

ITMO大学のドミトリー・チルコフ（Dmitry Chirkov）とイゴール・ロバノフ（Igor Lobanov）の両著者は、量子コンピュータが画像を処理する方法において、奇妙な乖離があることに気づきました。彼らはこれを「ピクセル対量子ビット（Pixel vs. Qubit）」の不一致と呼んでいます。

想像してみてください。一列のライトスイッチ（これらは量子ビット（qubit）、つまり量子情報の基本単位です）があるとします。多くの量子設計において、エンジニアたちは、もし一列のスイッチ全体を右に一箇所スライドさせたとしても、コンピュータはその新しい配置を、単にシフトしただけの同じ画像として扱うべきだと想定してきました。これはドミノをスライドさせるようなものです。パターンが移動しても、パターン自体はそこにあります。これは**量子ビット巡回シフト（QCS）**と呼ばれます。

しかし、著者たちは、FRQI（Flexible Representation of Quantum Images）と呼ばれる、量子コンピュータに画像を投入する一般的な方法に着目しました。この方法では、画像はスイッチそのものの中に保存されるのではなく、スイッチの「アドレス（住所）」の中に保存されます。これは、本（ピクセル）が棚（量子ビット）に順番通りに並んでいるのではなく、棚にはラベル（アドレス）があり、本のリストがカード目録にある図書館のようなものです。もし本を棚1から棚2へ移動させたら、それは単に棚をスライドさせたのではなく、カードの番号を変更したことになります。

論文では、「スイッチをスライドさせる」ルール（QCS）は、FRQIで使用される「ピクセル巡回シフト（PCS）」のルールと一致しないことが証明されています。これは、鍵が鍵穴には合うものの、ハンドルの形には合っていない状態でドアを開けようとしているようなものです。もし、あなたが「スイッチをスライドさせる」ルールしか尊重しない量子ネットワークを構築した場合、この特定のエンコーディングを使用している際に、シフトされた画像が同じ画像であることを認識できずに失敗してしまいます。著者たちは、これらの画像のための真の「量子畳み込みニューラルネットワーク（QCNN）」を作るためには、「スイッチ」のルールではなく「アドレス」のルールを尊重するように構築しなければならないと主張しています。

フーリエの魔法のトリック

では、間違ったルールを見ているネットワークをどうやって修正すればよいのでしょうか？ 著者たちは、フーリエ変換という数学的ツールを用いた巧妙な解決策を考案しました。

古典的な世界では、音波を分析したい場合、それを異なる音符（周波数）に分解することができます。量子世界において、著者たちは「アドレスをシフトする」ルールが、画像を「フーリエの音符」というレンズを通して見たときに非常に単純になることに気づきました。彼らはこれを**フーリエ基底（Fourier basis）**と呼んでいます。

彼らは、以下のような3ステップの魔法のトリックのように機能する、新しいタイプの量子レイヤーを設計しました：

1. 音符への変換： まず、量子コンピュータは特殊なゲート（量子フーリエ変換）を使用して、画像を「ピクセルのアドレス」から「フーリエの音符」へと変換します。
2. マルチプレクサ： 次に、**フーリエ・マルチプレクサ（Fourier Multiplexer）**と呼ばれる特殊なフィルターを適用します。これが主役です。各「音符（周波数）」に独自のボリュームノブとエフェクトが割り当てられた、巨大なミキシングボードを想像してください。コンピュータは、他の音符を乱すことなく、各音符を独立して微調整できます。この方法で微調整を行うことで、コンピュータが翻訳対称性を尊重することが保証されます。
3. 元に戻す： 最後に、コンピュータが結果を読み取れるように、音符を再びピクセルのアドレスへと戻します。

このようにネットワークを構築することで、著者たちは**ピクセル翻訳等価QCNN（PCS-QCNN）**を作り上げました。これは、FRQIエンコーディング法において、シフトされた画像が同じ画像であることを数学的に保証するものです。

理論の検証：シフトされたMNISTゲーム

彼らの新しい設計が実際に機能するかどうかを確認するために、著者たちは手書き数字（0から9）を含む有名なMNISTデータセットを用いて一連の実験を行いました。

彼らは、Translated MNISTベンチマークと呼ばれる特別なチャレンジを作成しました。数字をページの端に置くのではなく、最大8ピクセル分、ランダムに移動（シフト）させました。これにより、移動を理解できないコンピュータにとって、タスクは非常に困難になります。

彼らは4つの異なる「プレイヤー」を比較しました：

1. 古典的CNN： シフトを扱うように設計された、古典的コンピュータにおけるゴールドスタンダード。
2. 古典的MLP： シフトについて知らない、標準的な「全結合」ニューラルネットワーク（概念を理解せずに答えの鍵だけを暗記した学生のようなもの）。
3. PCS-QCNN： 著者らが作成した、アドレスのシフト・ルールを尊重する新しい量子モデル。
4. RBC-QCNN： 「ランダム基底制御（Random Basis Control）」量子モデル。これは、著者らの新しいモデルと全く同じ見た目ですが、フーリエ・マルチプレクサの代わりに、対称性を尊重しないランダムなルールを使用しています。これは、対称性が重要であることを証明するための「コントロールグループ（対照群）」です。

結果：

• 古典的な対決： 予想通り、古典的CNNはシフトを扱うように設計されているため、**97.68%の精度でタスクを圧倒しましたが、全結合MLPは48.93%**でつまずきました。これは、このタスクがまさに翻訳対称性に敏感であることを証明しています。
• 量子の対決： 著者らの新しいPCS-QCNNは75.89%を記録しました。一方、対称性を無視したランダムなRBC-QCNNは、わずか**40.82%**でした。
• その差： 新しい設計は、ランダムなバージョンよりも35.08パーセントポイント優れていました。これは大きな勝利であり、データのエンコーディングにおける特定の対称性を尊重することが極めて重要であることを示唆しています。

しかし、量子モデルは古典的CNN（ほぼ完璧に近い精度）には及びませんでした。著者らは、これは量子モデルがまだ「理想化された」シミュレーションであり、実際の量子コンピュータのハードウェア制約に合わせてまだ最適化されていないためである可能性があると述べています。

「ショット（試行）」の問題：現実との衝突

さらにもう一つの展開があります。量子コンピュータは単に答えを出すのではなく、確率を与えるものです。明確な答えを得るためには、同じ質問を何度も（これを**ショット（shots）**と呼びます）行う必要があります。

著者らは、無限の時間を使って質問を続けることができない場合に何が起こるかをシミュレートしました。彼らは、少ない数のショット（例えば128や256）しか使用できない場合、精度が低下することを発見しました。さらに悪いことに、彼らは「訓練とデプロイの不一致（train-deploy mismatch）」を発見しました。無限のショット（完全な情報）を用いて訓練された時に完璧に見えるモデルが、限られた数のショットでテストを行うと、実際には性能が低下する場合があるのです。これは、完璧な教科書で勉強した学生が、ぼやけたコピーでテストを受けると混乱してしまうようなものです。

このことは、将来これらの量子モデルを実際に構築する際、単にどのように学習するかを見るだけでなく、数百万回の測定を行う余裕がない場合でも堅牢（ロバスト）であるように設計しなければならないことを示唆しています。

まとめ

この論文は、量子画像認識を解決したとか、最高の古典的コンピュータを打ち負かすような実用的な量子コンピュータを作ったと主張しているわけではありません。むしろ、根本的な論理パズルを解いたのです。彼らは、対称性は「一律」ではないことを示しました。古典的な畳み込みのルールや、一般的な量子の対称性を、量子画像のエンコーダーにそのままコピー＆ペーストすることはできないのです。

著者らは、FRQIエンコーディング法においては、新しいフーリエ・マルチプレクサ技術を用いて「アドレスのシフト」ルール（PCS）を尊重するように量子ネットワークを構築しなければならないことを証明しました。彼らの実験は、これを行うことで、ルールを無視するモデルと比較して精度が35%以上向上することを明らかにしました。ショットのコストやハードウェアの制限といった課題は依然として残っていますが、この研究は、画像がどのように動くかを実際に理解できる量子ネットワークを構築するための、明確で建設的なレシピを提供しています。これは、量子コンピュータを単に速いだけでなく、世界をより賢く見るための重要な一歩です。