QRISP: Qubit-Efficient and Resolution-Independent Quantum Image Representation for Scalable NISQ Processing

技術要約：QRISP – 量子ビット効率的かつ解像度に依存しない量子画像表現

問題提起
本論文は、量子画像処理（QIP）および量子機械学習（QML）における決定的なボトルネックである、NISQ（Noisy Intermediate-Scale Quantum）制約下での量子画像表現（QIR）のスケイラビリティに対処している。FRQI（Flexible Representation of Quantum Images）やNEQR（Novel Enhanced Quantum Representation）といった既存の画素レベルのエンコーディング手法は、スケーラビリティに乏しい。これらのモデルでは、必要な量子ビット数と回路の深さが、画像の解像度に対して線形または指数関数的に増加する。その結果、大規模な画像を表現することは、過剰なリソース要求とノイズの影響を受けやすい深い回路のために、近年のハードウェア上では非現実的となる。代替となるコンパクトな表現も存在するが、その多くは空間構造を犠牲にするか、あるいは量子リソースの要求量を画像サイズから切り離すことに失敗している。

手法：QRISPフレームワーク
著者らは、量子リソースの複雑さを画像の解像度から切り離す、特徴量駆動型のエンコーディングフレームワークであるQRISP（Qubit-Efficient and Resolution-Independent Quantum Image Representation）を提案している。この手法は以下の段階を経て動作する：

1. 適応型ブロック分割（Adaptive Block Partitioning）： 個々の画素をエンコードする代わりに、入力されるグレースケール画像を、ユーザーが設定可能な固定数の重複しないブロック（$N_B$）に分割する。ブロックサイズ（$b$）は、入力画像の次元（$H \times W$）に関わらず$N_B$が一定に保たれるよう、画像の解像度に基づいて適応的に選択される。
2. 特徴抽出（Feature Extraction）： 各ブロックに対して、3つの相補的な統計的記述子を抽出し、区間$[0, 1]$に正規化する：
   • 平均輝度（$\mu_k$）： 第一次のフォトメトリック構造を捉える。
   • 局所分散（$\sigma^2_k$）： 第二次のテクスチャおよび空間的変動を捉える。
   • 支配的な勾配方向（$\phi^{norm}_k$）： Sobelオペレータを用いて計算され、主要なエッジ方向を捉える。
3. 量子状態の定式化（Quantum State Formulation）： 本フレームワークは2つの量子レジスタを利用する：
   • 位置レジスタ（Position Register）： ブロックインデックス（$k$）を、$\lceil \log_2(N_B) \rceil$個の量子ビットを用いて一様重ね合わせ状態でエンコードする。
   • 特徴レジスタ（Feature Register）： 各ブロックの3つの統計的特徴を、パラメータ化された単一量子ビット回転ゲート（$R_Y$）を用いてエンコードする。回転角は、正規化された特徴値を範囲$[0, 2\pi]$にマッピングする。
4. もつれ層（Entanglement Layer）： 軽量なもつれ層がCNOTゲートを適用して特徴量子ビット（平均、分散、勾配）を相関させ、独立した記述子を結合された量子特徴表現へと変換する。
5. 解像度への非依存性（Resolution Independence）： ブロック数（$N_B$）が固定されているため、総量子ビット数（$n_{total} = n_p + n_f$）および論理回路の構造は、入力画像の解像度に関わらず一定である。例えば、$N_B=16$の設定では、$4\times4$から$512\times512$の画像に対して、わずか7量子ビット（位置用に4、特徴用に3）のみを必要とする。

主な貢献
本論文は、主に4つの貢献を特定している：

• 解像度に依存しないエンコーディング： 量子ビットの要求量が画像サイズではなくブロック構成に依存するようにする、適応型ブロック分割戦略。
• マルチ特徴量子表現： 画素レベルのオーバーヘッドなしに識別能力を高めるために、輝度、分散、および勾配情報を取り入れたブロックレベルのスキーム。
• NISQを意識した回路設計： パラメータ化された単一量子ビット回転および2量子ビット操作を利用した浅いエンコーディング回路であり、現在のハードウェア制約との互換性を念頭に置いて設計されている。
• 包括的な評価： MNISTおよびFashion-MNISTデータセットを用い、量子サポートベクターマシン（QSVM）および量子ニューラルネットワーク（QNN）を用いた厳格な性能分析を行い、FRQIおよびNEQRと比較したリソース使用量と分類精度を検証した。

実験結果
著者らは、高性能計算システム上のシミュレーション量子回路を用いて、FRQIおよびNEQRに対するQRISPの評価を行った。

• リソース効率： $16\times16$の画像において、FRQI（9量子ビット）およびNEQR（17量子ビット）に対し、QRISPはわずか7量子ビットを必要とした。トランスパイル後の回路の深さは、FRQI（約50,435）からQRISP（約1,620）へと約96.8%削減され、総ゲート数も95.5%減少した。
• 計算速度： QSVMの実験において、QRISPのカーネル計算時間は、FRQI（MNISTで14,748秒）と比較して約24倍高速であった（614秒）。
• スケーラビリティ： 画像解像度が$4\times4$から$512\times512$に増加しても、QRISPのカーネル計算時間はほぼ一定（600～800秒）であったのに対し、FRQIおよびNEQRの時間は指数関数的に増加し、NEQRはシミュレーションの制約下で$8\times8$を超えてスケールすることに失敗した。
• 分類性能： QRISPは競争力のある分類精度を達成した。MNIST（16x16）において、FRQIの0.97に対し、QRISPは平均精度0.90を達成した。Fashion-MNISTにおいて、QRISPは最大$512\times512$までの解像度で0.90から1.00の精度を維持した。QNN実験では、QRISPは$8\times8$の画像に対してNEQRの精度（0.90）に匹敵したが、実行時間は劇的に短かった（59,370秒に対し22.77秒）。

意義と主張
本論文は、QRISPが「分類性能と量子リソース効率の間の好ましいバランス」を提供すると主張している。本フレームワークは、あらゆる既存のQIRモデルの置き換えとしてではなく、近似的な特徴レベルの記述が十分である分類タスクのための、特定のNISQ指向の代替案として位置づけている。

著者らは、QRISPが画素をブロックに集約することで微細な空間詳細を犠牲にする一方で、このトレードオフによって、分類に必要な構造情報を保持しつつ、近接するハードウェア上で実行可能なコンパクトな表現が得られることを強調している。この研究は、特徴ベースのブロック単位のエンコーディングが、スケーラブルな量子画像処理への有望な経路であり、現在この分野を制限している「表現の忠実度とハードウェアの実現可能性の間の逆関係」を効果的に解決することを示唆している。著者らは、現在の研究がシミュレーションにおける小規模な二値分類に限定されていることを認め、今後の課題として、ノイズを考慮した最適化、多クラス分類、および実際の量子ハードウェアへの展開を挙げている。