Integrated Encoding and Quantization to Enhance Quanvolutional Neural Networks

In de snel evoluerende wereld van computing ontstaat een nieuwe grens waar de wetten van de kwantummechanica de kunst van het aanleren van visuele vaardigheden aan machines ontmoeten. Decennialang heeft kunstmatige intelligentie vertrouwd op klassieke computers om afbeeldingen te verwerken, waarbij patronen worden herkend in alles van medische scans tot foto's van verre sterrenstelsels. Deze systemen, bekend als neurale netwerken, zijn krachtig, maar ze beginnen tegen een muur van complexiteit aan te lopen. Maak kennis met quantum machine learning, een veld dat probeert de vreemde, contra-intuïtieve eigenschappen van de kwantumfysica te benutten om problemen op te lossen die te moeilijk zijn voor de huidige supercomputers. De meest veelbelovende toepassing in dit domein is het vermogen om afbeeldingen te verwerken met behulp van kwantumcircuits, die potentieel verborgen kenmerken uit data kunnen extraheren die klassieke methoden missen. Er blijft echter een aanzienlijke hindernis bestaan: huidige kwantumcomputers zijn fragiel, luidruchtig en hebben zeer weinig bouwstenen, qubits genoemd, tot hun beschikking. Ze kunnen nog niet de enorme, complexe berekeningen aan die nodig zijn om hoogwaardige afbeeldingen te verwerken zonder informatie te verliezen of vast te lopen door interferentie. Dit creëert een dringende behoefte aan slimmere manieren om data in deze delicate machines te voeden, om ervoor te zorgen dat de beperkte beschikbare middelen met maximale efficiëntie worden gebruikt.

Onderzoekers aan de Universiteit van Udine en de Universiteit van Napels Federico II hebben deze uitdaging aangepakt door een nieuwe methode te ontwikkelen voor het voorbereiden en verwerken van beelddata voor kwantumcomputers. Hun werk richt zich op een specifiek type kwantum neuraal netwerk dat ontworpen is voor beeldherkenning, bekend als een quanvolutioneel neuraal netwerk. In tegenstelling tot traditionele kwantummodellen die proberen hun eigen interne instellingen te leren en aan te passen, gebruikt deze aanpak vaste, niet-trainbare circuits die fungeren als geavanceerde filters. Het team identificeerde twee grote knelpunten in het standaardproces: de manier waarop afbeeldingen worden vereenvoudigd voordat ze de kwantumcomputer binnengaan, en de rigide manier waarop data wordt vertaald naar kwantumtoestanden. Ze stelden een nieuwe pijplijn voor die deze stappen combineert tot een enkele, flexibele operatie, waardoor het systeem kan aanpassen aan de strikte beperkingen van de huidige hardware terwijl het meer van de oorspronkelijke details van de afbeelding behoudt.

De eerste innovatie pakt het probleem van dataveredeling aan. Om op een kwantumcomputer te kunnen draaien, moet een afbeelding worden omgezet van een continu bereik van kleuren en tinten naar een formaat dat de machine kan begrijpen. De standaardmethode houdt in dat een afbeelding wordt teruggebracht tot slechts twee kleuren, zwart en wit, een proces dat binaire kwantisering wordt genoemd. Hoewel dit rekenkracht bespaart, gooit het een enorme hoeveelheid detail weg, vergelijkbaar met het proberen te beschrijven van een schilderij met slechts een handvol primaire kleuren. De onderzoekers introduceerden een flexibele aanpak die voor veel meer grijstinten zorgt, waardoor de subtiele nuances van de originele afbeelding behouden blijven. Om dit praktisch te maken, gebruikten ze een techniek genaamd memoisatie, wat werkt als een slim geheugenbank. Terwijl het systeem de afbeelding verwerkt, legt het de resultaten vast voor elk uniek patroon dat het tegenkomt. Als hetzelfde patroon opnieuw verschijnt, roept het systeem simpelweg het antwoord op in plaats van het opnieuw te berekenen. Deze strategie stelde hen in staat om een veel hoger aantal grijstinten te gebruiken, waardoor de afbeelding rijk aan detail bleef, terwijl het aantal keren dat de kwantumcomputer zijn berekeningen moest uitvoeren voor bepaalde datasets met meer dan 95 procent werd verminderd.

De tweede, en misschien wel belangrijkere, doorbraak heeft betrekking op hoe de data daadwerkelijk in het kwantumcircuit wordt gevoed. Bij eerdere methoden bepaalde de grootte van het geanalyseerde beeldfragment het aantal benodigde kwantum bouwstenen. Als een onderzoeker een groter deel van de afbeelding wilde analyseren, was er een proportioneel groter aantal qubits nodig, wat snel de capaciteit van beschikbare machines overschreed. De nieuwe methode verbreekt deze rigide link. Door de datatranslatie en de verwerkingsstappen te integreren in één enkel circuit, kunnen de onderzoekers het aantal qubits onafhankelijk van de grootte van het beeldfragment kiezen. Dit betekent dat ze een klein, beheersbaar aantal qubits kunnen gebruiken om veel grotere beeldfragmenten te verwerken, of kunnen opschalen naarmate er betere hardware beschikbaar komt. Het systeem werkt door de helderheid van de pixels direct te gebruiken om de rotatie van kwantumpoorten te controleren, waardoor een directe en efficiënte brug wordt geslagen tussen de klassieke afbeelding en de kwantumprocessor.

Om hun ideeën te testen, paste het team dit nieuwe model toe op twee zeer verschillende real-world problemen. Het eerste betrof het classificeren van afbeeldingen van sterrenstelsels, waarbij onderscheid werd gemaakt tussen twee specifieke soorten kosmische structuren. De tweede taak was het identificeren van verschillende soorten subatomaire deeltjes op basis van hun energiesignaturen in een detector. Ze vergeleken hun nieuwe geïntegreerde model met een standaard klassiek computerprogramma en de traditionele kwantummethode die rotatie-encodering gebruikt. De resultaten waren duidelijk: het nieuwe geïntegreerde model presteerde consequent beter dan de traditionele kwantumbenadering over alle geteste beeldfragmentgroottes. Bij de taak van sterrenstelselclassificatie behaalde het een nauwkeurigheid van meer dan 80 procent, waarmee het zowel het standaard kwantummodel als de klassieke computer overtrof. Bij de deeltjesdetectietaken versloeg het ook de klassieke computer, terwijl het traditionele kwantummodel tekortschoot.

De studie onthulde ook dat de specifieke wiskundige functie die wordt gebruikt om pixelhelderheid naar kwantuminstellingen te vertalen, een grote rol speelde. Sommige functies leidden tot stabiele, hoogpresterende resultaten, terwijl andere ervoor zorgden dat het systeem erratisch en onbetrouwbaar werd. Dit suggeredt dat de "persoonlijkheid" van het kwantumcircuit even belangrijk is als de structuur ervan. Bovendien ontdekten de onderzoekers dat het vermogen van hun nieuwe circuit om verschillende mogelijkheden te verkennen, een eigenschap die bekend staat als expressiviteit, kan worden afgestemd door simpelweg meer stappen aan de berekening toe te voegen. Deze flexibiliteit stelt wetenschappers in staat om circuits te ontwerpen die perfect zijn afgestemd op de specifieke beperkingen van hun hardware, een cruciaal voordeel in het huidige tijdperk van luidruchtige, intermediaire kwantumapparaten (NISQ).

Uiteindelijk toont dit werk aan dat we niet hoeven te wachten op perfecte, foutloze kwantumcomputers om voordelen te zien in beeldverwerking. Door opnieuw na te denken over hoe data wordt voorbereid en hoe deze interactie heeft met het kwantumcircuit, is het mogelijk om modellen te bouwen die zowel nauwkeuriger als efficiënter met middelen omgaan. De onderzoekers hebben hun code en methoden publiekelijk beschikbaar gesteld, waarbij ze anderen uitnodigen om voort te bouwen op dit fundament. Hun bevindingen suggereren dat kwantum machine learning, met de juiste engineering, voorbij theoretische experimenten kan gaan en praktische problemen in de astronomie, fysica en verder kan gaan oplossen, zelfs met de imperfecte machines die we vandaag de dag hebben.