🤖 AI

Quantum Hamiltonian Embedding of Images for Data Reuploading Classifiers

Dit artikel stelt een kwantumneuraal netwerkmodel voor dat data-reuploading-circuits integreert met kwantum-Hamiltoniaanse inbedding, waarmee een superieure prestatie wordt aangetoond ten opzichte van kwantumconvolutionele neurale netwerken op afbeeldingen-datasets en zes ontwerpprincipes voor kwantummachine learning worden vastgesteld op basis van klassieke diepe leerheuristieken.

Oorspronkelijke auteurs: Peiyong Wang, Casey R. Myers, Lloyd C. L. Hollenberg, Udaya Parampalli

Gepubliceerd 2026-07-28

📖 3 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Peiyong Wang, Casey R. Myers, Lloyd C. L. Hollenberg, Udaya Parampalli

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot probeert te leren om plaatjes te herkennen, zoals het onderscheiden van een kat van een hond. Decennialang hebben we "klassieke" computers hiervoor gebruikt, die we bouwden als enorme, complexe fabrieken waar data door vele lagen van verwerking stroomt. Maar nu vragen wetenschappers: wat als we de vreemde, magische regels van de kwantumfysica gebruiken om een slimmere, snellere robot te bouwen? Dit vakgebied wordt Quantum Machine Learning genoemd. De grote vraag gaat niet meer alleen over snelheid; het gaat over hoe je foto's in een kwantumcomputer voert. In de klassieke wereld kun je gewoon een foto in het geheugen dumpen. Maar in de kwantumwereld moet je die foto vertalen naar een speciale "kwantumtaal" (genaamd embedding) zonder de vorm of betekenis van de foto te verliezen. Als je de vertaling fout doet, raakt de robot in de war. Dit artikel pakt dat vertaalprobleem aan, met de vraag of we gewoon oude computertrucs naar de kwantumwereld moeten kopiëren en plakken, of dat we een nieuwe manier moeten uitvinden die de unieke aard van de kwantumfysica respecteert.

De auteurs van dit artikel, een team van de Universiteit van Melbourne en UNSW Sydney, besloten te stoppen met het proberen te dwingen van klassieke computertrucs op kwantummachines. In plaats daarvan keken ze naar hoe succesvol klassiek deep learning werkt en probeerden ze die "onderbuikgevoelens" (heuristieken) naar de kwantumwereld te brengen. Ze bouwden een nieuw type kwantumclassifier, een model ontworpen om afbeeldingen te sorteren, gebruikmakend van twee hoofdingrediënten: een "data reuploading" circuit (wat betekent dat de informatie van de foto meerdere keren in de kwantumcomputer wordt gevoerd, zoals een boek twee keer lezen om het beter te begrijpen) en een "Quantum Hamiltonian Embedding". Beschouw de Hamiltonian embedding als een speciale lens die de hele afbeelding verandert in één enkel, complex kwantum-"recept" (een matrix), in plaats van alleen elke pixel te veranderen in een simpele instelling van een draaiknop. Dit stelt de kwantumcomputer in staat om de hele vorm van de foto in één keer te verwerken, in plaats van deze plat te slaan tot een rommelige lijn van data.

Toen ze hun nieuwe model testten op beroemde beelddatasets zoals MNIST (handgeschreven cijfers) en FashionMNIST (kledingartikelen), waren de resultaten verrassend sterk. In deze simulaties verbrijzelde hun nieuwe model de vorige "gouden standaard" van kwantummodellen, bekend als het Quantum Convolutional Neural Network (QCNN). Op de MNIST-testset behaalde hun model een nauwkeurigheid van bijna 90%, vergeleken met de ongeveer 47% van de baseline, wat een absolute verbetering van meer dan 40 procentpunten betekent. Zelfs op de complexere FashionMNIST-dataset hield het model stand en presteerde het aanzienlijk beter dan de baseline. De auteurs stopten niet bij de cijfers; ze gebruikten deze resultaten om zes nieuwe "verkeersregels" voor het ontwerpen van toekomstige quantum machine learning-modellen voor te stellen. Ze suggereren dat we niet obsessief bezig moeten zijn met het direct sneller maken van zaken, maar dat we ons in plaats daarvan moeten richten op het behouden van de natuurlijke vorm van de data (zoals het 2D-raster van een foto), zo min mogelijk "voor-koken" op klassieke computers te doen, en methoden te vermijden die het model per ongeluk misleiden met slechte biases. In essentie betogen zij dat om kwantumcomputers goed te laten zijn in AI, we moeten stoppen met proberen ze te laten werken als klassieke computers en ze moeten laten werken als kwantumcomputers, waarbij we de unieke wiskunde van de kwantumfysica gebruiken om het zware werk te doen.

Technische Samenvatting: Quantum Hamiltonian Embedding van Afbeeldingen voor Data Reuploading Classifiers

Probleemstelling
De toepassing van quantum computing op machine learning (QML) heeft traditioneel gefocust op het bereiken van quantumvoordeel door middel van runtime-versnellingen, vaak door klassieke algoritmen te "kwantiseren" (bijv. het gebruik van quantum lineaire algebra voor subroutines zoals qPCA). Recente discussies stellen echter de vraag of versnelling wel het optimale doel is voor QML, en suggereren dat unieke quantum-eigenschappen of heuristieken uit klassieke deep learning de modelontwerprichtlijnen zouden moeten leiden. Een specifieke uitdaging ontstaat bij beeldclassificatie: klassieke deep learning leunt zwaar op de lokaliteit van informatie en translatie-invariantie (bijv. CNN's, Vision Transformers). Bestaande QML-benaderingen voor afbeeldingen worstelen vaak met hoogdimensionale data, waarbij ze frequent klassieke voorbewerking vereisen (dimensiereductie via PCA of getrainde netwerken) of embedding-methoden gebruiken (zoals hoek- of amplitude-embedding) die ongewenste biases kunnen introduceren of kunnen falen in het behouden van de intrinsieke tweedimensionale structuur van beelddata.

Methodologie
De auteurs stellen een Quantum Neural Network (QNN) classifier voor die de Data Reuploading Circuit architectuur integreert met een Quantum Hamiltonian Embedding methode.

Hamiltonian Image Embedding: In plaats van afbeeldingen af te platten of pixelwaarden te coderen als rotatiehoeken (angle embedding), behandelt het model de grayscale beeldmatrix $M$ als een Hermitische operator. De afbeelding wordt eerst "gehermitiseerd" ( $H_M = (M + M^T)/2$ ) en vervolgens gecodeerd in de quantumtoestand via de unitaire tijdsevolutie-operator $W(t; M) = e^{-iH_M t/2}$ , waarbij $t$ een trainbare parameter is. Deze aanpak behoudt de 2D-structuur van de afbeelding en past een matrix-polynoom niet-lineariteit toe op het volledige beeldniveau, waardoor de bias die geassocieerd wordt met periodieke trigonometrische functies in hoek-embedding wordt vermeden.
Data Reuploading: Het model maakt gebruik van een variationeel circuit waarbij de data-encodering unitaire operator ( $W$ ) en een geparametriseerde unitaire laag ( $V$ ) $L$ keer worden herhaald. De toestand wordt geprepareerd als $|\phi(t, \vec{\omega}; M)\rangle = \prod_{i=1}^L [V(\omega_i)W(t_i; M)] |+\rangle^{\otimes n}$ . Dit bootst het hergebruik van inputdata in klassieke deep networks na, waardoor het model complexe functies kan leren door herhaalde interacties tussen de data en de trainbare parameters.
Architectuur: De geparametriseerde lagen $V$ bestaan uit $SU(4)$ unitaire gates gerangschikt in een brick-wall layout (of $SU(N)$ voor grotere qubit-aantallen). Classificatie wordt uitgevoerd door projectie-operatoren te meten die overeenkomen met de klassenlabels, waarbij de training wordt geoptimaliseerd via cross-entropy loss.

Belangrijkste Bijdragen

Modelconstructie: Het artikel construeert een nieuwe QML-classifier die Hamiltonian embedding combineert met het data reuploading paradigma.
Prestatiebenchmarking: De auteurs demonstreren via numerieke experimenten dat dit model de baseline Quantum Convolutional Neural Network (QCNN) op beeldclassificatietaken aanzienlijk overtreft.
Ontwerpprincipes: Op basis van het modelontwerp en de empirische resultaten stellen de auteurs zes leidende principes voor toekomstig QML-modelontwerp voor, waarbij de focus verschuift van pure versnelling naar architecturale heuristieken en data-intrinsieke structuren.

Experimentele Resultaten
Het model werd geëvalueerd op vier datasets: Kaggle CT Medical Images, een subset van de Sklearn Digits dataset, en subsets van de MNIST en FashionMNIST datasets.

Prestatiewinst: Het voorgestelde "HamEmb" model presteerde consequent beter dan de baseline QCNN (die amplitude embedding en afgeplatte inputs gebruikt):
- Op de MNIST testset (8 klassen) behaalde het HamEmb-model een nauwkeurigheid van 89,72%, vergeleken met de 47,03% van de QCNN, een marge van meer dan 40%.
- Op de FashionMNIST testset behaalde HamEmb 77,77% nauwkeurigheid tegenover 42,90% van de QCNN.
- Op de Sklearn Digits dataset bereikte HamEmb 94,40% nauwkeurigheid tegenover 78,95% van de QCNN.
Robuustheid: Het HamEmb-model vertoonde consistente prestaties over 20 (voor kleinere datasets) of 5 (voor grotere datasets) verschillende willekeurige parameter-initialisaties, terwijl de QCNN-prestaties variabeler en over het algemeen lager waren.
Observaties over Schaalbaarheid: Hoewel het model goed presteerde, merkten de auteurs een daling in prestaties op wanneer men overging van MNIST naar de complexere FashionMNIST dataset. Zij schrijven dit toe aan de globale codering van het model (het behandelen van de hele afbeelding als één Hamiltonian), die mogelijk een gebrek heeft aan de fijnmazige lokale feature-extractie van kleinere convolutionele kernels of patch-gebaseerde benaderingen.

Betekenis en Claims
Het artikel claimt dat de primaire bijdrage niet een runtime-versnelling ten opzichte van klassieke methoden is, maar een demonstratie dat heuristieken en empirische kennis uit klassieke deep learning succesvol geïntegreerd kunnen worden in QML om de prestaties te verbeteren.

De auteurs argumenteren dat:

Versnelling is niet de primaire metriek: Het ontwerpen van QML-modellen moet eerst prioriteit geven aan prestatie-metrieken (zoals nauwkeurigheid) en structurele afstemming met data, in plaats van enkel te zoeken naar quantum-versnellingen.
Datastructuur is essentieel: Het behouden van de intrinsieke structuur van data (bijv. de 2D ruimtelijke structuur van afbeeldingen) via Hamiltonian embedding is superieur aan methoden die data afplatten of periodieke biases introduceren.
Minimaliseer Klassieke Voorbewerking: Het model vermijdt het uitbesteden van feature extractie aan klassieke backbones (zoals ResNet), waardoor het quantum circuit de ruwe (of minimaal bewerkte) data direct kan verwerken.
Bronnen van Niet-lineariteit: Het model maakt gebruik van de inherent aan de tijdsevolutie van een quantum Hamiltonian aanwezige niet-lineariteit (via de Taylor-expansie van de exponentiële kaart) in plaats van uitsluitend te vertrouwen op meting-geïnduceerde niet-lineariteit of klassieke activatiefuncties.
Vermijd Ongewenste Bias: Door hoek-embedding te vermijden, omzeilt het model de bias naar beslissingsgrenzen gevormd door periodieke functies.

Uiteindelijk stelt het artikel dat deze zes principes—variërend van "Minder Initiële Focus op Versnelling" tot "Wees Voorzichtig met Ongewenste Bias"—een kader bieden voor het ontwerpen van effectievere quantum neurale netwerken die zowel de aard van de data als de beperkingen van de huidige quantumhardware respecteren.

Meer zoals dit